搜索资源列表
一个 PCA 算法的matlab程序
- 主成分分析(PCA)算法是用于简化数据的一种技术,对于某些复杂数据就可应用主成分分析法对其进行简化。-principal component analysis (PCA) algorithm is used to simplify the technology of data, For some complex data can be applied Principal Component Analysis streamline its.
主成分分析MATLAB源码
- 降维处理,在实际问题的研究中,往往会涉及众多有关的变量。但是,变量太多不但会增加计算的复杂性,而且也会给合理地分析问题和解释问题带来困难。一般说来,虽然每个变量都提供了一定的信息,但其重要性有所不同,而在很多情况下,变量间有一定的相关性,从而使得这些变量所提供的信息在一定程度上有所重叠。因而人们希望对这些变量加以“改造”,用为数极少的互补相关的新变量来反映原变量所提供的绝大部分信息,通过对新变量的分析达到解决问题的目的。
lab432.rar
- 主成分分析和偏最小二乘SquaresPrincipal成分分析( PCA )和偏最小二乘( PLS ) ,广泛应用于工具。此代码是为了显示他们的关系,通过非线性迭代偏最小二乘( NIPALS )算法。 ,Principal Component Analysis and Partial Least SquaresPrincipal Component Analysis (PCA) and Partial Least Squares (PLS) are widely used tools. Thi
icafsvm.rar
- 用于人脸识别的模糊独立成分分析+主成分分析,用模糊支持向量机进行的分类。,Fuzzy Face Recognition for independent component analysis+ principal component analysis, using fuzzy support vector machine classification.
RegrToolbox
- 基于多元线性回归、偏最小二乘、神经网络、卡尔漫滤波、径向基网络、主成分分析等等的程序。可用于建模和预测。-Based on multiple linear regression, partial least squares, neural networks, Carl diffuse filtering, radial basis networks, and so on principal component analysis procedure. Can be used for modelin
MultiStati
- 方差分析与MATLAB应用、聚类分析及MATLAB应用、主成分分析及MATLAB应用。-Analysis of variance with the MATLAB application, the application of cluster analysis and MATLAB, principal component analysis and MATLAB applications.
IcaComonMatlab.tar
- 独立成分分析是近年来出现的一种强有力的数据分析工具。1994年由Comon给出了ICA的一个较为严格的数学定义,其思想最早是由Heranlt和Jutten于1986年提出来的。ICA从出现到现在虽然时间不长,然而无论从理论上还是应用上,它正受到越来越多的关注,成为国内外研究的一个热点。特别是从应用角度看,它的应用领域与应用前景都是非常广阔的,目前主要应用于盲源分离、图像处理、语言识别、通信、生物医学信号处理、脑功能成像研究、故障诊断、特征提取、金融时间序列分析和数据挖掘等。 IC
KPCA_p
- 核主成分分析中使用多项式核函数时的MATLAB代码,有注释,易看懂。-Kernel Principal Component Analysis in the use of polynomial kernel function of the MATLAB code, annotated, easy read.
pls
- 所谓偏最小二乘法,就是指在做基于最小二乘法的线性回归分析之前,对数据集进行主成分分析降维,下面的源码是没有删减的,GreenSim团队免费提供您使用,转载请注明GreenSim团队(http://blog.sina.com.cn/greensim)。 -The so-called partial least squares method, this means doing the least square method based on linear regression analysis pr
matlab
- ) 使用分块的主成分分析方法(PCA)对人脸图像进行压缩编码。针对PCA方法计算量大的缺点,首先把问题转化成奇异值分解(SVD)问题,然后设计了特征空间的更新算法,通过递推,简化每一步计算的计算量,达到了实时编码的要求。 4) 在Windows平台下基于Video for Windows(VFW)接口开发了人脸视频图像编码和解码的实验系统,该系统实现了图像采集、图像显示、编码、解码等功能。-) The use of sub-blocks of principal component analys
zhuchengfen1123
- 主成分分析的matlab程序,很有用的程序(It is very useful.Based on the principal component analysis of the matlab program)
m03
- 主成分分析发实例,数据在mat文件中,运行前需要将其调入内存,主要用于光谱分析。(Example of principal component analysis)
zhuchengfen
- 改进的主成分分析法,可算出指标的相对贡献值(The relative contribution value of the index can be calculated by the improved principal component analysis)
Principal component analysis program
- 改程序能够实现matlab主成分分析,并且可以运行成功,仅供大家互相学习参考(Principal component analysis program)
matlab
- 在实际课题中,为了全面分析问题,往往提出很多与此有关的变量(或因素),因为每个变量都在不同程度上反映这个课题的某些信息。(PCAPrincipal Component Analysis (PCA) is a multivariate statistical analysis method that selects multiple variables by linear transformation to select fewer variables. It is also called pri
程序
- pca 主成分分析的matlab代码。主成分分析(Principal Component Analysis,PCA), 是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。(PCA principal component analysis matlab code. Principal component analysis (Principal Component, Analysis, PCA) is a statistical method
pca
- 用matlab对某一图像做主成分分析,求的图像的特征图。我是一个新手,这是看了别人的程序看不懂。麻烦大家帮忙看看给个简单一点的程序(Information entropy of the image)
matlab表情识别
- Matlab表情识别,特征脸[1 ]作为面部表情分类的方法。首先,利用训练图像创建低维人脸空间(pca)。这是通过训练图像集主成分分析(PCA)及图片主成分分析(即具有较大特征值的特征向量)获得的。 结果,所有的测试图像以所选择的主成分表示,计算投影图像与所有投影列车图像的欧几里得距离,选择最小值以找出与试验图像最相似的训练图像。(The feature face [1] is used as a facial expression classification method. Firstly,
Statistics Code by Matlab
- 包含一元线性回归分析、多元线性回归分析、逐步回归分析、非线性回归分析、主成分分析、因子分析、层次聚类分析、判别分析、自相关分析和自回归分析的全套Matlab源代码(MATLAB source code including linear regression analysis, multiple linear regression analysis, stepwise regression analysis, non-linear regression analysis, principal co
主成分分析
- 主成分分析PCA源码分析,使用matlab编程,是一种降维方法,通过计算数据矩阵的协方差矩阵,然后得到协方差矩阵的特征值特征向量,选择特征值最大(即方差最大)的k个特征所对应的特征向量组成的矩阵。这样就可以将数据矩阵转换到新的空间当中,实现数据特征的降维。