以稀疏子空间聚类以及低秩子空间聚类等基本谱聚类算法为基础，通过 运用核映射算法，融合与数据本身结构相关的局部切线空间函数以及主成分分析 算法建立了可以应对独立子空间聚类、非独立子空间聚类、非线性聚类、混合多 流体聚类问题以及多种含有大数据量的实际问题，包括处理运动分割、人脸识别、 工件识别等情况中的多种类型数据分类的聚类算法，并且引入 Map-Reduce 并行处 理方法优化了算法的计算效率(Based on the basic spectral clustering algorith

实现了主元分析（PCA）和独立分量分析（ICA）相关信号处理。非线性降维。(Implements Principal Component Analysis (PCA) and Independent Component Analysis (ICA) correlation signal. Non-linear dimension reduction using kernel PCA.)

KPCA用于数据特征的降维，先通过核方法，将样本映射到高维空间，再进行主成分分析过程。(KPCA is used to reduce the dimension of data, first through the kernel method, the sample is mapped to high-dimensional space, and then the principal component analysis process.)

使用核函数，在matlab环境下实现非线性主成分分析(Using kernel function to realize nonlinear principal component analysis in Matlab environment.)