特征值
-
-
-
-
matlab代码实现PCA的步骤
PCA的步骤：1 先将数据中心化；2 求得的协方差矩阵；3 求出协方差矩阵的特征值与特征向量；4 将特征值与特征向量进行排序；5 根据要降维的维数d’，求得要降维的投影方向；6 求出降维后的数据； -
PCA算法程序设计步骤
PCA算法程序设计步骤：1、去均值2、计算协方差矩阵及其特征值和特征向量3、计算协方差矩阵的特征值大于阈值的个数4、降序排列特征值5、去掉较小的特征值6、去掉较大的特征值(一般没有这一步）7、合并选择的特征值8、选择相应的特征值和特征向量9、计算白矩阵10、提取主分量 -
特征值与特征向量的提取、训练样本以及最后的识别
包含特征值与特征向量的提取、训练样本以及最后的识别，本程序的性能已经达到较高水平，可以实现模式识别领域的数据的分类及回归。 -
PCA人脸识别基于PCA的人脸识别
PCA人脸识别基于PCA的人脸识别 (Eigenface)读入20幅训练图像 。计算均值、协方差矩阵 、特征值 和特征向量 ，并记录计算所耗费的时间 。并在figure(i)中显示特征脸Eigenface 。计算4幅测试图像 ，及其在 空间中的重建图像 ，在figure(i) 和 figure(10+i)中分别显示测试图像 和重建图像 。计算4幅测试图像 的重建误差 ，比较并阐释 之间的差异及其原因。 -
-
-
