PCA和KPCA及TSNE降维及二维三维可视化特征matlab程序包。 代码为博主自己编写，注释超详细，可设置多种参数，自己用直接换数据文件名称即可。 亲测可用，主程序里直接有三种方法对比可视化对比图，直接运行主程序即可！ 适用人群：信号处理，机器学习，深度学习研究者对信号进行特征分析以及特征提取。 KPCA核心：用核函数将数据实现非线性映射，然后再使用PCA进行降维 t-SNE数据算法的目的 主要是将数据从高维数据转到低维数据，并在低维空间里也保持其在高维空间里所携带的信息（比如高维空间里有的清晰的分布特征，转到低维度时也依然存在）。 TSNE目的：将高维数据降维并进行可视化，输入的数据为N个样本，每个样本具有M个特征（N_sample，M_feature）。输入的标签（N_sample，）。 基本原理：通过映射变换将每个数据点映射到相应的概率分布上。具体的是，在高维空间中使用高斯分布将距离转换为概率分布，在低维空间中，使用长尾分布来将距离转换为概率分布，从而是的高维度空间中的中低等距离在映射后能够有个较大的距离，使得降维时能够避免过多关注局部特征，而忽视全局特征。

基于 PCA 与 KPCA 的 TE 过程故障检测，MATLAB代码 + 文章！内含MATLAB源代码、PDF文档、word文档，做毕设或者做相关研究的人可以用到！

多光谱遥感影像特征提取是保证图像分类结果精度的关键,文中介绍了多光谱遥感影像特征提取的两种主要方法。通过实验证明:KPCA较PCA具有更好的数据压缩和降维效果,影像特征提取效果优势明显。

包含各种matlab 用于KPCA的库函数，一般的matlab安装包里没有自带。

该程序采用MATLAB编写，带有orl_faces人脸数据库。下载解压，可直接运行。程序包含训练，识别精度计算，识别匹配等过程。程序结果将以界面GUI形式展示。

C++实现数据降维，包括PCA、KPCA两种方法，资源为Visual Studio2013完整工程代码。

主成分分析的基本原理、基于核的主成分分析 对比介绍

PCA和KPCA的Matlab和C++程序，其中核函数使用的是高斯核函数

该程序采用MATLAB编写，带有orl_faces人脸数据库。下载解压，可直接运行。程序包含训练，识别精度计算，识别匹配等过程。程序结果将以界面GUI形式展示。

包括主元分析的精炼介绍手册。斯坦福机器学习之主元分析笔记。核PCA的简练介绍文档。