[COEFF，分数，隐藏，特例] = fastpca（数据） 非常高维数据的快速主成分分析（例如神经影像数据的体素级分析），根据 C. Bishop 的书“模式识别和机器学习”，第 10 页实施。 570.对于高维数据，fastpca.m比MATLAB的内置函数pca.m快得多。 根据 MA​​TLAB 的 PCA 术语，fastpca.m 需要一个输入矩阵，每行代表一个观察（例如主题），每列代表一个维度（例如体素）。 fastpca.m 返回主成分 (PC) 载荷 COEFF、PC 分数 (SCORE)、PC 以绝对值 (LATENT) 和百分比 (EXPLAINED) 解释的方差。 此外，fastpca 返回小协方差矩阵 (COEFF) 的 PC 负载。 计算时间的减少是通过从转置的输入矩阵“数据”的（较小）协方差矩阵而不是原始输入矩阵的大协方差矩阵中计算出PC来计算的，然后将这

基于 PCA 的图像融合演示

房屋价格预测-ML-Hackaton：使用具有相关热图，PCA和随机森林回归的特征选择进行房屋价格预测

matlab、C++版的SIFT源码，C++版本的PCA-SIFT源码，C++版本的Surf源码，都需要配置OpenCV1.0及以更高版本，个别需要配置gsl，

上传的这三个代码，是基于MATLAB软件上操作的，在人脸识别上有较好的识别率，推荐这三个代码

pca特征提取的matlab代码脑电手部运动解码 该研究项目的主要目标是使用机器学习和信号处理算法从原始 EEG（脑电图）信号中对手部动作进行分类。 使用的一般思想是从原始 EEG 信号（功率谱密度）中提取频谱特征，并使用这些特征来训练卷积神经网络 (CNN) 进行分类。 所需的 Python 库 TensorFlow NumPy Scikit-学习 Matplotlib 存储库结构 MATLAB：生成数据文件和数据文件的MATLAB代码。 辅助：辅助功能。 绘图：原始信号和计算特征的可视化。 plot_features.py 原始PSD_class.py unit_tests ：单元测试。 average_PSD_test.py example_generation_test.py PCA_on_PSD_test.py power_spectral_density_test.py RawPSD_class_test.py 频谱图_test.py 文档：实现算法的文档。 特征计算算法.pdf 研究报告.pdf 模型：用于特征提取和分类的端到端模型。 分类器：分类模型。 CNN：卷积神经

随着现代制造业朝着大型化、柔性化、智能化发展，保障生产设备的安全运转越发重要。提出了基于PCA-SVM算法的轴承故障诊断分析模型。该模型提取轴承振动信号的时域指标参数，并运用主成分分析法（PCA）对指标参数进行优化和选择，利用降维思想，将多参数转化为综合参数，将综合特征值作为支持向量机（SVM）分类器的输入向量训练分类模型，最后运用测试集进行故障诊断实验，实验表明PCA-SVM模型可以帮助提高模型分类效率和精度，快速排查定位轴承故障，从而降低由故障导致的生产问题，减少经济损失。

简述了心率监控的重要性，研究了多篇多普勒雷达测心率的方法，简要介绍了PCA主成分分析，和高斯牛顿法。同时，对通过匹配实现峰值跟踪，和人脸面部RGB成分提取测心率做了简要介绍

包含各种matlab 用于KPCA的库函数，一般的matlab安装包里没有自带。

PCA-High-Dim-Cpp-master.zip