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

印度 籼稻（在tegrated狄不可知Çomposition甲nalysis）是一种工具，它允许要被组合的大量不同的诊断计算托卡马克内的等离子体的自洽的组合物。 最初，它仅包含一个函数库，但随着时间的推移，它还将包含一个图形用户界面（GUI）。 当前该库正在积极开发中。 总体设计工作已经完成，功能正在实现中。 除了（快速更改）代码之外，该存储库还包含该项目的文档，。 执照 InDiCA是根据或您选择的任何更高版本分发的。

MATLAB源码集锦-离散小波与主成分分析的数据降维方法

详细讲解lda与pca的特征降维方法，并结合实际分类例子来演示matlab，用matlab做出散点图 详细讲解lda与pca的特征降维方法，并结合实际分类例子来演示matlab，用matlab做出散点图

这里包含一个App以及一个特征选择主成分分析

函数型数据分析的全部代码和数据以及参考文献，全部是本人亲自收集和处理的，共300多M，相关介绍详见我的博文https://blog.csdn.net/lusongno1/article/details/89305520#comments_14878182。

核主成分分析法 matlab源代码，非常好的一个例子 核主成分分析法 matlab源代码，非常好的一个例子

书 名: 独立成分分析 　　作　者：AapoHyvarinen 　　出版社： 电子工业出版社 　　出版时间： 2007年06月 　　ISBN: 9787121042935 　　开本： 16开 　　定价: 49.00 元 编辑本段内容简介 　　《独立成分分析》分为四个部分，共24章。第一部分（第2章至第6章）介绍了《独立成分分析》所用到的主要数学知识，第二部分（第7章至第14章）是《独立成分分析》的重点，详细讲述了基本ICA模型及其求解过程，第三部分（第15章至第20章）讨论了基本ICA模型的多种扩展形式，第四部分（第21章至第24章）对ICA方法在不同领域的应用做了生动的阐述。独立成分分析(I

针对高光谱图像空间分辨率不足导致异常检测虚警率过高的问题，提出了一种利用主成分分析（PCA）和IHS变换融合以降低虚警率的算法。首先对低分辨率高光谱图像进行PCA变换，提取3个主成分；然后对这3个主成分和高分辨率图像分别进行IHS变换，得到各自的强度分量，把高光谱数据的强度分量替换成高分辨率图像的强度分量；再运用IHS变换的可逆性，将新的强度分量与原色度分量和饱和度分量进行IHS逆变换，得到空间信息增强的高光谱图像数据；最后使用KRX算法对空间信息增强的高光谱图像数据进行异常检测。实验结果表明，本文算法的虚警率与KRX算法相比有很大的降低，取得了良好的检测效果。

在推荐算法中，样本空间构成的数据矩阵一般为稀松矩阵，且维数一般较多，可通过求取特征值或者奇异值的方式获得样本矩阵的特征矩阵，从而降低维数。主成分分析法在矩阵降维中有很好的应用。 本文通过特征值分解、奇异值分解、PCA等操作可以获得降维后的矩阵，通过使用不同的相似度判别法获得最好的相似度，可以使得推荐算法具有很好的效果。