论文《Dimensionality Reduction-A Comparative Review》自制课堂用交流ppt，上传以方便同样阅读此论文的朋友阅读理解，全文已译，学习交流考虑所以设置0积分下载，请勿二传。

混合主成分分析（dPCA） dPCA是一种线性降维技术，可自动发现并突出显示复杂的人口活动的基本特征。 人口活动被分解为几个混合的部分，这些部分捕获了数据中的大多数方差，并突出了人口对各种任务参数（如刺激，决策，奖励等）的动态调整。 D Kobak + ，W Brendel + ，C Constantinidis，CE Feierstein，A Kepecs，ZF Mainen，XL Qi，R Romo，N Uchida，CK Machens 神经人口数据的混合主成分分析eLife 2016， //elifesciences.org/content/5/e10989 （arXiv链接：

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

PCA降维技术

使用空间光谱薛定谔特征图 (SSSE) 算法对高光谱图像进行降维和分类，如论文中所述： 1) ND Cahill、W. Czaja 和 DW Messinger，“具有非对角线潜力的高光谱图像空间光谱聚类的薛定谔特征图”，Proc。 SPIE 防御与安全：多光谱、高光谱和超光谱图像的算法和技术 XX，2014 年 5 月。 2) ND Cahill、W. Czaja 和 DW Messinger，提交了“用于高光谱图像的降维和分类的空间光谱薛定谔特征图”。 此示例脚本还使用支持向量机执行分类，如论文 2 中所述。

对高光谱图像执行基于 SLIC 超像素的降维，然后是基于 SVM 的分类，如论文中所述： X. Zhang、SE Chew、Z. Xu 和 ND Cahill，“SLIC Superpixels for Efficient Graph-Based Dimensionality Reduction of Hyperspectral Imagery”，Proc。 SPIE 防御与安全：多光谱、高光谱和超光谱图像的算法和技术 XXI，2015 年 4 月。

本matlab工具箱包含目前大多数的降维技术，包括PCA，LDA，MDS，ProbPCA，Isomap，LLE，Laplacian，KernelPCA，KernelLDA，CCA，MCML，LPP。