主成分分析的几何意义 由前面的介绍我们知道，在处理涉及多个指标问题的时候，为了提高分析的效率，可以不直接对 个指标构成的 维随机向量 进行分析，而是先对向量 进行线性变换，形成少数几个新的综合变量 ，使得各综合变量之间相互独立且能解释原始变量尽可能多的信息，这样，在以损失很少部分信息为代价的前提下，达到简化数据结构，提高分析效率的目的。这一节，我们着重讨论主成分分析的几何意义，为了方便，我们仅在二维空间中讨论主成分的几何意义，所得结论可以很容易地扩展到多维的情况。

机器学习和深度学习

因子载荷矩阵的求解 (6.3.2) (6.3.5)

摘要针对超短脉冲激光与气体相互作用产生的非线性荧光光谱的特点，提出了光谱分析的预处理、特征提取以及定量分析的有效方法。采用小波算法对光谱数据进行压缩和降噪处理，

物流人工智能_机器学习

安徽 0.59 35 47 146 46 20 32.83 2488 0.33 5628 云南 0.66 36 40 130 44 19 28.55 1974 0.48 9106 江西 0.77 43 63 194 67 23 28.81 2515 0.34 4085 海南 0.70 33 51 165 47 18 27.34 2344 0.28 7928 内蒙古 0.84 43 48 171 65 29 27.65 2032 0.32 5581 西藏 1.69 26 45 137 75 33 12.10 810 1.00 14199 河南 0.55 32 46 130 44 17 28.41 2341 0.30 5714 广西 0.60 28 43 129 39 17 31.93 2146 0.24 5139 宁夏 1.39 48 62 208 77 34 22.70 1500 0.42 5377 贵州 0.64 23 32 93 37 16 28.12 1469 0.34 5415 青海 1.48 38 46 151 63 30 17.87 1024 0.38 7368

偏最小二乘判别式的类分离评估使用 Hotelling 的 T2 进行分析或主成分分析。 输入数据：具有 N 个样本和 M 个变量的 N x M 矩阵classVec：带有数字类标签的 N x 1 向量 参考AM Goodpaster，马肯尼迪，Chemom。 英特尔。 实验室系统。 109, 162–170 (2011)。

【图像识别】基于主成分分析PCA实现视频人脸识别matlab源码.md

核主成分分析法，使用python实现。应对非线性数据，先使用核技巧映射高维使之线性可分，之后再用PCA方法将高维降到低维，理论上可从无穷维降到一维或二维，将数据变为线性可分。此程序中既包含了手工制作的KPCA全过程，也有直接从sklearn调用包直接实现。里面有详细的代码注释，核分块注释，可以截取自己需要的部分。直接套用的话，使用最前面一段代码替换数据即可

针对现有的红外与可见光图像融合算法存在融合图像的对比度与清晰度降低和细节纹理信息丢失等问题,提出将鲁棒主成分分析(RPCA)、压缩感知(CS)和非下采样轮廓波变换(NSCT)相结合的融合算法。首先对两幅源图像分别进行预增强处理,应用RPCA分解得到相应的稀疏分量和低秩分量;然后对稀疏矩阵利用结构随机矩阵压缩采样,利用高斯梯度-信息反差对比度(GG-DCI)压缩融合,经正交匹配追踪法(OMP)重构;接着对低秩矩阵采用NSCT分解成低频子带和高频子带,低频子带选用区域能量-直觉模糊集(RE-IFS)融合,最高频子带利用最大绝对值规则融合,其他高频子带选用自适应高斯区域方差融合;最后将融合后的稀疏分量和低秩分量叠加得到融合图像。实验结果表明,本文算法相比其他算法能够更好地提高融合图像的对比度和清晰度,保留了丰富的细节纹理信息,客观评价指标也总体优于现有算法,有效提升了红外与可见光图像的融合效果。