大数据-算法-非线性过程监测中的数据降维及相关问题研究邵纪东.pdf

kpca提出者自己编写的matlab程序

drtoolbox: Matlab Toolbox for Dimensionality Reduction是Laurens van der Maaten开发的用来数据降维的工具箱，其中包含了著名的PCA,LDA算法，流行学习算法MLE,LLE,LPP,SNE，Isomap等，和度量学习算法LMNN,MCML,NCA等。

研究平面轮廓局部支撑域上的协方差矩阵，通过对图像协方差矩阵的特征值和特征向量的分析，以V角点模型为例，证明了协方差矩阵行列式在角点位置有唯一的极值响应。同时，为了有效地融合各个尺度信息，采用多尺度乘积方法来增强角点响应的幅度，抑制非角点或噪声的幅度。基于此，提出以多尺度乘积的协方差矩阵行列式作为角点响应函数的角点检测算法。实验结果表明：通过比较经典的角点检测算法，算法具有很好的定位、抗噪及旋转和尺度不变性。

高维数据能充分表达复杂事物的信息,但高维数据自身表达和处理复杂,妨碍了它的实际应用。阐述了用降维算法和构建索引结构来解决高维数据降维问题。以数据对象变异最大方向的投影作为特定数据对象集的主成份,将聚类分析引入高校数据资源的预处理环节,实现了数据对象集合的聚类归约。给出应用实例,为深入探索相关模式提供有效的分析方法。

数据降维和特征表示是解决时间序列维灾问题的关键技术和重要方法, 它们在时间序列数据挖掘中起基础性作用. 鉴于此, 提出一种新的时间序列数据降维和特征表示方法, 利用正交多项式回归模型对时间序列实现特征提取, 结合特征序列长度对时间序列的拟合分析结果, 运用奇异值分解方法对特征序列进一步降维处理, 进而得到保存大部分信息且维数更低的特征序列. 数值实验结果表明, 新方法可以在维度较低的特征空间下取得较好的数据挖掘聚类和分类效果.

一种基于MDS的高维数据降维与可视化方法 ，任珂，马志强，降维与可视化是分析高维数据的有效手段。传统数据降维技术计算效率低，准确性较差，无法帮助分析者更深入理解和认识数据。因此，

里面主要描述了常见的数据降维算法，包括公式和yuan'li

数据为何要降维 数据降维可以降低模型的计算量并减少模型运行时间、降低噪音变量信息对于模型结果的影响、便于通过可视化方式展示归约后的维度信息并减少数据存储空间。因此，大多数情况下，当我们面临高维数据时，都需要对数据做降维处理。 数据降维有两种方式：特征选择，维度转换 特征选择 特征选择指根据一定的规则和经验，直接在原有的维度中挑选一部分参与到计算和建模过程，用选择的特征代替所有特征，不改变原有特征，也不产生新的特征值。 特征选择的降维方式好处是可以保留原有维度特征的基础上进行降维，既能满足后续数据处理和建模需求，又能保留维度原本的业务含义，以便于业务理解和应用。对于业务分析性的应用而言，模型的可

数据降维算法源码（isomap） 数据降维算法源码（isomap） 数据降维算法源码（isomap）