针对情感识别进行研究，提出基于主成分分析法（PCA）过滤小波变换结合自回归模型提取的信号特征方法，并基于梯度提升分类树以实现情感分类.将特征提取的重点放在脑电信号变化情况以及小波分量变化情况作为脑电信号特征.采用Koelstra等提出的分析人类情绪状态的多模态标准数据库DEAP，提取8种正负情绪代表各个脑区的14个通道脑电数据.结果表明，算法对8种情感两两分类识别平均准确率为95.76%，最高准确率为98.75%，可为情感识别提供帮助.

看完了k-l变换原理，自己编写了matlab代码，k-l变换又叫pca变换，代码注释部分有实例。

PCA_高维数据可视化.ipynb

对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一幅N*N 象素的图像可以视为长度为N2 的矢量，这样就认为这幅图像是位于N2 维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。图像识别的基本思想首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度。 本资源包含了文档及MATALB程序，供大家学习参考！

针对双目视觉测量中的立体匹配问题，提出了一种基于主成分分析(PCA)算法和尺度不变特征变换(SIFT)匹配算法相结合的双目视觉立体匹配新方法。该系统以GSI 编码点为特征点，利用双目相机对以散斑为背景的编码标识板进行成像，利用PCA 算法与SIFT 算法结合的新算法对采集的图像进行特征提取与匹配解算。可实现对GSI 编码点特征的准确提取和立体匹配,并测量出不同位姿下特征点之间的精确位移。实验验证部分引入GSI 编码技术并在行程为1000 mm×1000 mm 二维高精度平移台上进行，实际测得位移的绝对误差在5×10

matlab鸢尾花降维代码

Coursera Machine Learning 第八周week8ex7 K-Means Clustering and PCA编程全套满分题目+注释

c++实现的基于协方差矩阵的主成分pca算法

信息分析与预测的实验，Python写的代码，萌新代码，勿喷，仅仅只是方便没时间写实验的朋友，直接用python打开就能运行

pcanet的matlab代码PCANet上的论文 关于“使用 PCANet 进行浸润性导管环瘤 (IDC) 分类”的最后学期论文。 详情如下。 第 1 步：使用“git clone”克隆此 repo 第 2 步：使用“cd /Thesis-On-PCANet/Code”转到代码forler 第 3 步：打开 matlab 并将 matlab 目录更改为项目代码目录。 第 4 步：打开并运行“BreastHisto.m”文件。 对于第 3 步，请按照以下图片进行操作 – 复制此当前目录路径。 就我而言，突出显示的文本是目录路径。 将复制的目录路径粘贴到 matlab 路径/url 字段中，然后按 Enter。 现在从左侧窗口打开 BreastHisto.m 文件并运行它。