原创

使用空间光谱薛定谔特征图 (SSSE) 算法对高光谱图像进行降维和分类，如论文中所述： 1) ND Cahill、W. Czaja 和 DW Messinger，“具有非对角线潜力的高光谱图像空间光谱聚类的薛定谔特征图”，Proc。 SPIE 防御与安全：多光谱、高光谱和超光谱图像的算法和技术 XX，2014 年 5 月。 2) ND Cahill、W. Czaja 和 DW Messinger，提交了“用于高光谱图像的降维和分类的空间光谱薛定谔特征图”。 此示例脚本还使用支持向量机执行分类，如论文 2 中所述。

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