lda模型matlab代码PatternRecognition_Matlab 抽象的 通过训练数据集学习特征约简预测和分类器模型，并将其用于对测试数据集进行分类。 本文比较了几种减少特征的方法：主成分分析（PCA），线性判别分析（LDA）及其核方法（KPCA，KLDA）。 相应地，实现了几种分类算法：支持向量机（SVM），高斯二次最大似然和K近邻（KNN）和高斯混合模型（GMM）。 结论 我们的实验表明，SVM是增加维数空间的最可靠方法，而SVM和LDA对噪声最敏感。 文献资料 代码运行指令 输入数据 ： 主功能 ： 关于作者

粗糙集约简算法的简单matlab实现，应用在matlab上，可以实现。

针对表征矿物浮选工况的泡沫图像特征冗余性大的问题,提出了一种无监督约简的浮选泡沫图像特征选择方法.该方法首先定义敏感性指数,并基于敏感性指数约简得到与工况相关的敏感图像特征集;然后针对敏感图像特征之间的自相关性,提出基于粗糙集属性重要度的敏感图像特征集约简方法;最后将该方法应用于金锑浮选过程,并利用工业现场数据进行测试,证明了该方法的有效性,为基于机器视觉的浮选过程监控创造了条件.