一、实验目的 1、复习主成分分析的原理和算法 2、使用sklearn库函数实现对鸢尾花数据集的主成分分析，观察主成分分析的作用 3、（选做）解读基于主成分分析和支持向量机的人脸识别程序 二、实验步骤 1、导入鸢尾花数据集，查看数据分布情况： 选取三个特征查看数据分布情况 选取两个特征查看数据分布情况 2、使用主成分分析函数对鸢尾花数据集降维 3、对降维后的数据集和原始数据集分别进行线性判别分析，比较分析的准确率 4、（选做）使用数值计算方法实现步骤2，深入了解主成分分析的实现过程 三、实验结果与讨论 1、简单清楚的叙述主成分分析的过程 2、绘制人脸识别程序的流程框图

提出了利用小波变换(WT)、非负稀疏矩阵分解(NMFs)和Fisher线性判别(FLD)来进行人脸识别。用小波变换分解人脸图像，选择最低分辨率的子段，既能捕获到人脸的实质特征，又有效地降低了计算复杂性；非负稀疏矩阵分解能显示地控制分解稀疏度和发现人脸图像的局部化表征；Fisher线性判别能在低维子空间中形成良好的分类。实验结果表明，这种方法对光照变化、人脸表情和部分遮挡不敏感，具有良好的健壮性和较高的识别效率。

基于LP范数最大化的线性判别分析

实验基于ORL标准人脸数据库，包含可视化界面ORL标准人脸识别库包含40个人的人脸数据组，本次实验选取其中4个人的图像。4个人共40张图像，选取每个人的十张图像的前八张图像作为训练集，最后两张作为测试集，以此检验Fisher判别准则函数的实际效果。

LLDA，局部线性判别分析，可以降到任意的维度，相比LDA更加优秀

模式识别 Fisher线性判别理论及其应用

人脸图像特征提取matlab代码支持向量机的图像分类 在这里，我训练了支持向量机，线性判别分析和四层前馈神经网络，以对来自CIFAR-10数据集的10个图像类别进行分类，从而以62.7％的SVM实现了最高的准确性。 该实验的关键问题是发现用于降低尺寸的PCA和LDA的非传统组合是否优于单独的LDA或PCA。 此外，在有监督类质心初始化的情况下，我测试是否可以使用聚类方法（k均值和GMM）进行分类。 Matlab要求： FDA LDA多类（1.7版） 计算机视觉系统工具箱（8.0版） 神经网络工具箱（11.0版） 统计和机器学习工具箱（版本11.2） 怎么跑 克隆计算机上的存储库，并确保CW2Data.mat与matlab脚本位于同一文件夹中。 按此顺序运行matlab步骤1至8。 介绍 我们提出了CIFAR-10数据集图像的十类监督分类问题。 我们的培训和测试数据分别包含10个类别的1000个样本和100个样本。 图像数据存储在四维矩阵中，其中前两个维表示图像大小（32x32），第三个维是RGB颜色通道，最后一个维索引数据样本。 我们提出的数据挖掘管道首先使用定向梯度直方图（HOG）进

介绍线性判别分析(LDA),很生动很透彻!

两种分类方式的matlab程序，对于模式识别课程的课程报告作业，代码.m文件，论文。可以实施运行操作

该程序使用 FLD（Fisher 线性判别法）从人脸数据库中识别人脸。 使用Fisherface方法的图像识别是基于使用主成分分析（PCA）方法缩小人脸区域大小，然后称为Fisher线性判别分析（FDL）方法或线性判别分析（LDA）方法来获取图像特征。