经典降维算法局部保持投影LPP算法的matlab代码，希望对需要降维算法的童鞋有所帮助

基于LPP 人脸识别的局部向量投影映射，运用matlab7.0编写，识别率达到70 以上，能够很好的识别不同姿势

Dantzig的单纯形算法 用两阶段方法解决线性规划问题（LPP）的Dantzig单纯形算法，以获得初始的基本可行解。 注意仅将SimplexTwoPhase脚本用于教育目的。 该脚本不适合专业应用，因为它并不是Dantzig单纯形算法的最有效，最优化，正确和安全的实现。 关于 该代码以MATLAB语言编写，并支持标准格式的最小化LPP ： Minimize cx subject to Ax = b x >= 0 其中c是成本系数向量， x是决策变量的向量， b是要满足的最低需求（需求）的（ RHS ）向量，而A中的元素a_ij是技术系数。 例子 A = [ 1 2 1 0; -1 1 0 1 ]; b = [4; 1]; c = [-3 1]; [x z] = simplex_two_phase(A, b, c, false) 结果 x

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：Gabor小波+LBP特征提取+PCA+LPP降维_人脸识别_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

有ORL，PIE，USPU，Yale等数据，都是matlab可用数据

Torch7的分解模块 主成分分析 (PCA) 白化主成分分析 (W-PCA) 线性判别分析 (LDA) 局部保护投影 (LPP) 邻里保护预测 (NPP) 快速独立分量分析 (FastICA) 约翰-亚历山大·阿塞尔 安装 克隆此存储库或下载源代码。 用法 调用decomposition = require "decomposition" ，然后是以下任何一项： decomposition.pca(x) , decomposition.lda(x, y) , decomposition.lpp(x) , decomposition.npp(x) , decomposition.fastica(x) 。 或者，您可以使用 iTorch notebook 并打开decomposition.ipynb 。 贡献 叉它！ 创建您的功能分支： git checkout

matlab+lpp算法代码线性降维基准 随机数生成 gen_corr_dta(N,d,r,left_ratio,right_ratio) , 在gen_corr_dta.m 算法代码列表 PCA：PCA pca(X) MDS: mds(D,p) LPP： lpp(X,p) SPCA: spca(X,p,$\lambda$,$\lambda_1$) PPCA: ppca(X,p) , 来源: s_ppca.m 注意：这里我们不使用 MATLAB 的ppca FA: fa(X,p) , 来源: fa.m

自己总结了在学习局部保持投影过程中的一些概念和心得

此功能能够检测 LPP 中存在的几乎所有类型的属性/特征，例如无界解、替代最优、退化/循环和不可行性。 只有当问题中存在冗余约束时，它才无法工作。 但是，这种情况很少见，用户只需检查/确保 rank(a) 不应小于约束的数量即可轻松避免。 由于求大矩阵的秩复杂度很高，这里没有给出这个检查，希望用户能照顾到这种情况。 在这种情况下，通常很容易看出一些约束是线性相关的，因此可以消除。 其余案例显示出良好的结果。 修正单纯形法和LPP理论人们可能会看到“应用程序的数值优化，Chandra S.，Jayadeva，Mehra A.，Alpha Science Internatinal Ltd，2009。”

用于模式识别的局部保持投影源码，很好地实现，效果也好