状态观测器 全维和降维 状态观测器欢迎大家下载

机器学习与算法源代码12： 数据降维之PCA主成分分析.zip

为了实现高光谱降维并保留重要的光谱特征，通过独立分量分析（independent component analysis，ICA）混合模型和高光谱线性模型的对比分析，提出了结合纯像元提取和ICA的高光谱数据降维方法。该方法通过估计虚拟维数(virtual dimensionality，VD)确定特征个数，采用自动目标生成过程（automatic target generation process, ATGP）从原始数据中提取纯像元向量，作为ICA算法的初始化向量，以负熵为目标函数产生独立分量，并通过高阶统计

人脸识别仿真,提取ORL人脸数据库的协方差矩阵S的特征值和特征向量,通过PCA降维后人脸识别+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

fastPCA降维实现，把原先的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合，这些线性组合最大化样本方差，尽量使新的m个特征互不相关。从旧特征到新特征的映射捕获数据中的固有变异性,已通过测试可以使用。

维度灾难是机器学习任务中的常见问题，特征选择算法能够从原始数据集中选取出最优特征子集，降低特征维度.提出一种混合式特征选择算法，首先用卡方检验和过滤式方法选择重要特征子集并进行标准化缩放，再用序列后向选择算法（SBS）与支持向量机（SVM）包裹的SBS-SVM算法选择最优特征子集，实现分类性能最大化并有效降低特征数量.实验中，将包裹阶段的SBS-SVM与其他两种算法在3个经典数据集上进行测试，结果表明，SBS-SVM算法在分类性能和泛化能力方面均具有较好的表现.

MATLAB源码实现，LLE算法 内附小型人脸数据集，Olivetti 内附2个demo演示： 第1个demo---瑞士卷3维空间分布，嵌入2维空间，可视化效果 第2个demo---不同ID人脸图片，嵌入3维空间，可用于后续人脸识别，流形可视化

原创

利用pca将得到的高维特征向量集进行降维，注意看里面的注解，看到降维后的主分量就是你要的东西。可以运行，麻烦好评。谢谢

代码介绍：为PCA的Matlab实现，使用一张图片代替了多个向量数据的输入，自己可以进行更改即可，其中关于项目中的内容以及裁剪，基本保留了PCA的功能，是从PCA原理一步步实现的，可以起到较好的学习左右，了解到PCA的原理