线性降维主成分分析PCA的matlab图像压缩仿真代码，还包括了与奇异值分解进行对比的程序，基于matlab2018写的，可直接运行。

主成分分析及matlab实现

主成分分析和MATLAB应用

python源码集锦-基于主成分分析的客户信贷评级

python源码集锦-基于主成分分析的样本描述

将原始信号按照一定的规则进行重新组合，构成多向数据矩阵，利用多向主元分析方法将数据投影到主成分空间，实现信号的多层次分解。对人脸RGB图像及某模拟电路的一维输出信号进行了处理。结果表明，这种处理方法可很好地实现异常特征的空/时。域定位及可视化校正，校正出的图像可更好地显示皮肤纹理特征，校正出的一维信号则可更突出地反射原始信号中干扰信号的位置及时域特征。

具有非贪婪l（1）-范数最大化的块主成分分析

机器学习课程附带的程序练习，有很多简单的基础程序可供练习参考，自带鸢尾花数据等database

PCA（主成分分析法）

主成分分析实例：一个平均值为(1,3)、标准差在(0.878,0.478)方向上为3、在其正交方向为1的高斯分布。这里以黑色显示的两个向量是这个分布的协方差矩阵的特征向量，其长度按对应的特征值之平方根为比例，并且移动到以原分布的平均值为原点。在多元统计分析中，主成分分析（英语：Principalcomponentsanalysis，PCA）是一种分析、简化数据集的技术。主成分分析经常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。但是，这也不是一定的，要视具体应用而定。由于主成分分析依赖所给