核主元分析KPCA，主要用于数据降维。核主成分分析（Kernel Principal Component Analysis, KPCA）方法是PCA方法的改进，从名字上也可以很容易看出，不同之处就在于“核”。使用核函数的目的：用以构造复杂的非线性分类器。

使用PCA-2D-PCA和2D-Square-PCA进行人脸识别 用于识别人脸的Python中PCA / 2D-PCA / 2D（Square）-PCA的实现： 单人图像 集团形象 识别视频中的人脸 ORL数据集的准确性 PCA（93.42％） 二维PCA（96.05％） 2D（平方）-PCA（97.36％） 要求 麻木 OpenCV 科学的 用法 在Face_Recognition类中，使用来自（pca，2d-pca，2d2-pca）的algo_type 在Face_Recognition类中，将reco_type用作 对于单张图片= 0 视频= 1 对于组图像= 2 该项目使用ORL数据集，您可以将数据集放置在images文件夹中，并在dataset.py文件中更改数据集的名称（可以使用提供的FaceExtractor通过提取面部来创建新的数据集） 运行Face_Rec

个性化HRTF合成 基于神经网络，主成分分析和人体测量学的个性化HRTF的合成。 该存储库是作为巴西圣玛丽亚联邦大学声学工程学士学位论文项目的一部分开发的。 个性化HRTF应用 使用提出的模型，可用于生成具有SOFA或HeSuVi扩展名的个性化HRTF的MATLAB应用。 Auraliza应用程序 可以使用SOFA HRTF和n通道音频输入创建实时虚拟听觉场景的MATLAB应用。 主-（基于PCA） 包含预处理和后处理，回归模型和HRTF重建例程。 可能有必要为本地目录调整路径。 功能 与SOFA HRTF和主要例程使用的常规功能一起使用的工具箱。

2009年 Yi Ma的论文，对于学习鲁棒PCA非常有帮助

对于某hub上的资源做一些微调，一共有4个demo。demo1: dimensionality reduction or feature extraction demo2: fault detection for a numerical example demo3: fault detection and fault diagnosis for TE process using KPCA demo4: fault detection and fault diagnosis for TE process using Dynamic KPCA(DKPCA)

本文提出了一种新的无监督显着性合成Kong径雷达（SAR）图像变化检测方法。 图像的显着区域始终是有区别的，并且与其他区域不同，这使得它们很容易被注意到。 局部区域的强烈视觉对比度使显着性适合于指导SAR图像的变化检测，这两个图像之间存在差异。 通过将显着性提取应用于通过对数比运算符获得的初始差异图，可以得到显着性图，其中包括了大多数变化区域，并且同时很好地忽略了由斑点噪声引起的伪变化像素。 然后，通过对显着性图进行阈值处理，可以保留大多数兴趣区域，并进一步将其用于从初始SAR图像中提取区域以生成差异图像。 主成分分析（PCA）方法用于从局部补丁中提取特征，以合并空间信息并减少孤立像素的影响。 最后，采用k均值聚类来获得所提取特征的变化图，将其聚类为两类：变化区域和不变区域。 在五个真实和两个模拟SAR图像数据集上的实验结果证明了该方法的有效性。

文章目录1. 总体主成分分析2. 样本主成分分析3. 主成分分析方法3.1 相关矩阵的特征值分解算法3.2 矩阵奇异值分解算法4. sklearn.decomposition.PCA 主成分分析（Principal Component Analysis，PCA）是一种常用的无监督学习方法 利用正交变换把由线性相关变量表示的观测数据 转换为 少数几个由线性无关变量表示的数据，线性无关的变量 称为 主成分 主成分的个数通常小于原始变量的个数，所以PCA属于降维方法 主要用于发现数据中的基本结构，即数据中变量之间的关系，是数据分析的有力工具，也用于其他机器学习方法的前处理 PCA属于多元统计分析的经

作者：Vidal, René, Ma, Yi, Sastry, S.S. 2016年新书。据作者说：研究 unsupervised learning，从一百多年前的PCA讲到压缩感知，知识纵跨上百年。横跨代数几何，数理统计，高维数据处理，优化算法。而应用更涉及科学和工程各个领域，是数据科学的入门基础

分享自己做的主成份分析的GUI含原文件-GUI of Principal component analysis using MALAB.rar 用SPSS做主成份分析有点麻烦，而且参数比较多，不是很容易看懂，而且不能直接导出主成分的值。所以自己用Matlab做了一个主成份分析的GUI。花了我one week of night and one weekend. 欢迎发帖交流。 GUI of Principal component analysis using MALAB.rar 原文件，教程，程序 3.jpg 2.jpg 1.jpg

内核主成分分析（KPCA） MATLAB代码，用于通过使用内核来进行非线性降维，故障检测和故障诊断。 2.1版，2020年5月6日 电子邮件： 主要特点 易于使用的API，用于训练和测试KPCA模型 多种内核功能 支持降维，故障检测和故障诊断 支持数据重建 告示 仅支持对高斯内核进行故障诊断。 使用“ Classdef ... End”定义类，因此该代码只能在R2008a版本之后应用于MATLAB。 更多详细信息和讨论，请参阅： : 此代码仅供参考。 降维演示（“香蕉”数据和“圆”数据） 数据重建演示（“圆形”数据） 故障检测演示（TE过程数据） 故障诊断演示（TE过程数据）