一种基于MDS的高维数据降维与可视化方法 ，任珂，马志强，降维与可视化是分析高维数据的有效手段。传统数据降维技术计算效率低，准确性较差，无法帮助分析者更深入理解和认识数据。因此，

一种面向高维数据的DS-ALasso变量选择方法，邱建荣，罗汉，变量选择是高维数据分析的重要环节，Laaso方法不具有Oracle性质且存在在处理维数大于样本量的数据结构时只能选取个变量的缺点，为解�

变量相关情况下高维数据变量选择方法，段乾鹏，郑少智，当变量之间具有较强相关性时，单个惩罚函数的变量选择方法效果会大大降低。文章提出组合惩罚的系数的拉普拉斯收缩变量选择方法，

可靠且极快的一维数据核密度估计器； 假设为高斯核并自动选择带宽； 与许多其他实现不同，这个实现不受问题的影响由具有广泛分离模式的多模态密度引起（参见示例）。 这多模态密度的估计不会恶化，因为我们从不假设数据的参数模型（如经验法则中使用的模型）。 输入： 数据 - 构建密度估计的数据向量； n - 用于均匀离散化的网格点数间隔 [MIN, MAX]; n 必须是 2 的幂； 如果 n 不是 2 的幂，则n 向上取整为 2 的下一个幂，即 n 设置为 n=2^ceil(log2(n))； n 的默认值为 n=2^12； MIN, MAX - 定义构建密度估计的区间 [MIN,MAX]； MIN 和 MAX 的默认值是： MIN=min(data)-Range/10 和 MAX=max(data)+Range/10，其中 Range=max(data)-min(data)； 输出： 带宽 - 最

与 polyfit.m 类似，但包括每个数据点的权重。 概括---------------- 使用 n 阶多项式找到一维数据 y(x) 的最小二乘拟合，由 w(x) 加权。 用法----- P = polyfitweighted(X,Y,N,W) 找出 N 次多项式 P(X) 的系数，该多项式在最小二乘意义上最适合数据 Y。 P 是长度为 N+1 的行向量，包含多项式系数的降幂，P(1)*X^N + P(2)*X^(N-1) +...+ P(N)*X + P(N+1)。 W 是权重向量。 向量 X、Y、W 的长度必须相同。 输入 X、Y、W 的类支持： 浮动：双，单 作者：SS Rogers http://ssr.phy.umist.ac.uk

SVD用于将数据矩阵从高维投影到低维

PCL测试三维数据pcd，目标为一茶壶三维数据，三维点共2016个

三维数据相关算法 原理 和实现 如：三维数据结构 可视化技术的原理实现 等一系列基础算法原理

非常经典的可视化书籍，学习可视化的必备书目，值得一读~~，

% 函数 [g] = FFTPF1D (X,binsize, f, P) % 离散傅立叶变换低/高通滤波器。 ％这是给定一维数据的这种滤波器的简单实现。 % X：你数据的数组，每个数据点都是一个信号箱% binsize：数据数据中的 bin 大小% f：波长的截止， % P: 1, or 0, true or false : true, low pass, 消除更高% 比 f 频率信号，假，高通，消除较低% 比 f 频率信号。 % 可以很容易地修改成二维版本，或者翻译成R / S语言百分比。 ％ 例子： % a=1:2:1000; % b=sin(a) + sin(2.*a) + sin(0.1 .* a) + ... % c=FFTPF1D(b, 2, 10, 1) % 作者：张志华。 invokey@gmail.com ％随意使用和分发此代码进行培训或% 学术提议。