这里的文件是： (1) load_data：从face_images.mat和nonface_images.mat加载数据face_images.mat 文件应包含： - train_imgs：包含 N 个测试人脸图像的 NxMxL 张量。 每个图像都是 MxL 像素（灰度）。 - train_ids：Nx1 向量，包含 test_imgs 中每个图像的 id - test_imgs：包含 N 个测试人脸图像的 KxMxL 张量。 每个图像都是 MxL 像素（灰度）。 - test_ids：包含 test_imgs 中每个图像的 id 的 Kx1 向量nonface_images.mat 文件应包含： - nonface_imgs：包含 S 个非人脸图像的 SxMxL 张量。 每个图像都是 MxL 像素（灰度） (2) getAvgFace：计算训练人脸图像的平均值并显示。 (3) PC

局部自适应回归核lark算法的c++实现，包括核计算，pca，以及频域相关，相对于原始算法实现利用频域相关代替时域相关，大大提高了计算效率 linux下320*320分辨率运行时间120ms左右

与使用 Matlab svd 和 svds 函数处理矩形矩阵相比，截断奇异值分解 (SVD) 和主成分分析 (PCA) 快得多。 对于长矩阵或细矩阵，svdecon 是 svd(X,'econ') 的更快替代方法。 对于其中 k << size(X,1) 和 size(X,2) 的密集长矩阵或薄矩阵，svdsecon 是 svds(X,k) 的更快替代方法。 还实现了两个 svd 函数的 PCA 版本。 --- 函数 [U,S,V] = svdecon(X) 函数 [U,S,V] = svdecon(X,k) 输入： X : mxn 矩阵k ：获取前 k 个奇异值（如果未给出 k，则 k = min(m,n)） 输出： X = U*S*V' 你：mxk S : kxk V : nxk 描述： svdecon(X) 等价于 svd(X,'econ') svdecon(X,k) 等价

(4)计算贡献率 基于SPE的贡献图定义如下： 其中， 基于 T^2的贡献图的定义如下： 当检测到故障后，贡献图最大的变量被认为是可能造成故障的变量。但需要具有过程背景知识的人员确定最终的故障原因。

利用PCA进行故障监测，传统的统计指标有两种：Hotelling-T2和平方预测误差(Squared prediction error, SPE)。T2统计量反映了每个主成分在变化趋势和幅值上偏离模型的程度，是对模型内部化的一种度量，它可以用来对多个主元同时进行监测；SPE统计量刻画了输入变量的测量值对主元模型的偏离程度，是对模型外部变化的一种度量。

基于MATLAB，编写了一个严格按照过程和公式的主成分分析法（PCA），以及数据和各种函数齐全的k-nn聚类算法。完整可用！

该课题为基于MATLAB平台的PCA的人脸识别系统。原理为：从一副生活照中寻找到人脸，分割人脸区域图像，PCA算法进行降维，和库里图片进行对比，输出目标人脸以及相关个人信息。该课题还可以继续二次开发，做成库内外人脸的识别，如果是库外人脸则实现报警等。

该课题为基于MATLAB平台，采用主成分分析法即PCA算法的人脸识别系统。带有一个GUI界面，可以换自己人脸，也可以直接用ORL人脸库。流程是：选择样本库和测试库，选择测试人脸，PCA进行人脸降维，得到人脸特征值，对比人脸特征值，利用欧式距离对比大小，根据最近邻法则得出结果，输出具体是哪个人。可以二次拓展，改造成：输出个人信息，如姓名，学号等，也可以从一副完整的生活照中先定位人脸，训练，再识别，以及做成人脸考勤，门禁等应用。

PCA广义分析法降维，就是将高维度的数据降低到低维度空间，同时降维之后的数据又能够很好的表征原来数据的特性。

基于PCA手写数字识别matlab 源码.md