2DPCA是一个图像特征提取的算法。本代码中使用的分类器是最近邻分类器，最后得到的是一个图片识别率与特征矩阵维数的散点图，符合论文《Two-Dimensional PCA: A New Approach to Appearance-BasedFace Representation and Recognition》的预期结果。
2022-10-08 14:00:17
3.11MB
1
MATLAB版2DPCA降维算法，输入输出均为CSV文件。
对于512*512像素的图像，分别进行行和列的两次处理，输出为64*64尺寸的图像
2022-04-13 10:03:39
11KB
1
该脚本实现了用于人脸识别的经典二维主成分分析 (2DPCA)。 我使用简单的语句来简化对基于 2DPCA 的人脸识别的理解。 该脚本对于该领域的学生和研究很有用。 使用的数据集是 ORL AT&T 剑桥实验室 ( www.cl.cam.ac.uk/Research/DTG/attarchive:pub/data/att_faces.zip )，这里以 mat 格式 (ORL_FaceDataSet) 提供。
2022-04-02 22:27:01
3.58MB
1
利用2DPCA进行图像的降维处理，有PCA所不具备的保持图像几何特征的性质。同时，运算速度也比PCA快。经过2DPCA线性降维器降维后，方便进行分类识别。
代码是matlab编程
2022-03-23 17:44:00
3KB
1
利用2DPCA进行图像的降维处理，有PCA所不具备的保持图像几何特征的性质。同时，运算速度也比PCA快。经过2DPCA线性降维器降维后，方便进行分类识别。
代码是matlab编程
2022-03-04 14:50:49
3KB
1
关于2DPCA的经典论文，由杨健老师完成，学习二维主成分分析必不可少的参考文献和学习资料,需要的同学可下载学习。
2021-11-12 07:09:51
2.38MB
1
针对多向主元分析（multi-way principal component analysis，MPCA）算法用于间歇过程实施监控时需要将三维数据转换为高阶的二维矩阵，从而易导致算法的计算量大，且会丢失一些有用信息的情况进行了研究，提出了一种新的间歇过程故障诊断方法——二维主成分分析法（2-dimensional principal component analysis，2DPCA）。该算法首先利用各个批次的二维矩阵构造协方差矩阵，进而求得所有批次协方差矩阵的平均值进行建模，大大降低了计算复杂度，运算时间较MPCA缩短了19/20到3/4，且无须占用太多存储空间；同时，2DPCA计算协方差矩阵较MPCA更为准确，取协方差矩阵的平均值能够更加精确地反映不同类型的故障，在一定程度上增强了故障诊断的准确率。最后，通过将所提出的方法应用于青霉素发酵过程的监控中，验证了该算法的有效性和准确性。
2021-11-11 09:58:41
621KB
1