针对当前输电线路故障诊断的需求，结合智能电网运行中产生的大量结构多样、来源复杂的数据，将这些大数据归类于不同的维度，设计了基于多维度数据融合的输电线路故障智能诊断系统。对多维度的诊断结果融合架构、融合方法等进行了设计，并给出了故障智能诊断系统的主要功能模块和整体结构。最后，通过该系统的运行，表明了多维度数据融合的诊断结果具有较高的诊断速度和准确度，在电力行业故障诊断方面具有良好的应用前景。

comita:集成趋势分析（ITA）通常用于总结近几十年来在生态系统中发生的变化。 当前，有多种用于ITA的方法，这引起了人们的疑问，哪种方法是用于ITA的最佳方法。 该应用程序的目的是提供一种工具，可以轻松地比较不同的ITA方法，并测试数据预处理和变量选择对​​最终结果的影响。 希望该软件包将提高生态学家对不同降维技术的认识，并根据其数据集的特征为选择ITA方法提供理由和信心

利用pca对图片进行降维，基于matlab进行运算，测试图片选用orl人脸库

PCA降维技术

包含IG,MI,CHI等降维算法和NB,CENTROID,SVM分类算法

机器学习降维PCA案例代码--用于自己学习使用

第十章 降维与度量学习10.0 本章线性代数基础知识本部分内容参考于<线性代数(第五版)>以及"彬彬有礼的专栏", 博客地址: https://blog.csd

Matlab Toolbox for Dimensionality Reduction Matlab数据降维工具箱，包括几乎所有的数据降维方法：PCA、LDA、ICA、MDS、Isomap、LandmarkIsomap、LLE、LLC、Laplacian、HessianLLE、LTSA、DiffusionMaps、KernelPCA、KernelLDA、SNE、NPE、LPP、SPE、LLTSA、SPCA、CCA、MVU、FastMVU、AutoEncoder、AutoEncoderEA

全局非线性降维算法CIsomapの研究.pdf

PCA和KPCA及TSNE降维及二维三维可视化特征matlab程序包。 代码为博主自己编写，注释超详细，可设置多种参数，自己用直接换数据文件名称即可。 亲测可用，主程序里直接有三种方法对比可视化对比图，直接运行主程序即可！ 适用人群：信号处理，机器学习，深度学习研究者对信号进行特征分析以及特征提取。 KPCA核心：用核函数将数据实现非线性映射，然后再使用PCA进行降维 t-SNE数据算法的目的 主要是将数据从高维数据转到低维数据，并在低维空间里也保持其在高维空间里所携带的信息（比如高维空间里有的清晰的分布特征，转到低维度时也依然存在）。 TSNE目的：将高维数据降维并进行可视化，输入的数据为N个样本，每个样本具有M个特征（N_sample，M_feature）。输入的标签（N_sample，）。 基本原理：通过映射变换将每个数据点映射到相应的概率分布上。具体的是，在高维空间中使用高斯分布将距离转换为概率分布，在低维空间中，使用长尾分布来将距离转换为概率分布，从而是的高维度空间中的中低等距离在映射后能够有个较大的距离，使得降维时能够避免过多关注局部特征，而忽视全局特征。