搜索资源列表
pca.m
- 本程序的运行环境为matlab6.5,在command window下输入数据x和a,然后调用函数pca(x,a)(即本程序的主程序)输入的两个参数的意义是:一个是样本数据x,另外一个是主成分累积贡献率的一个闸值,作为选定主成分个数的一个重要数据。 即可得到样本的协方差矩阵,相关矩阵,相关矩阵的特征根及特征向量,主成分个数和主成分负荷矩阵。 -the procedures for the environment matlab6.5. under the command window i
PCA-SIFT
- 结合PCA的尺度不变特征变换(SIFT)算法源代码,可用于图像目标检测和识别。-combine PCA scale-invariant feature transformation (metabolism) algorithm source code, images can be used to target detection and identification.
Pca-extraction
- pca进行特征提取源码,用matlab语言编写,pca即主成分分析-pca source for feature extraction using Matlab language, pca that Principal Component Analysis
pca
- 这是一个模式识别中关于主成分分析的特征提取的matlab源码-This is a pattern recognition on the Principal Component Analysis Feature Extraction of Matlab FOSS
pca
- PCA主元分析法进行特征提取,再进行人脸识别
pca_matlab
- matlab获取PCA特征的小程序,适合初学者
chongjian
- PCA特征脸训练和重建程序,比较好用,欢迎下载
pca-svm
- 本程序用于对训练样本提取独立主元,作为样本特征,并送入SVM分类器中训练图像的预处理中不取对数,也无须做幅度归一,由ICA的应用条件决定的。预处理后的图像以向量的形式按行排列
pca
- 基于matlab的PCA人脸识别完成程序,包含特征值与特征向量的提取、训练样本以及最后的识别检验。
pca
- 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、计算白化矩阵 10、提取主分量
pca
- 主元分析用于结构损伤特征提取的matlab程序
PCA大作业
- PCA程序,处理绿萝的数据,机器学习,进行主成分分析,提取指定重要特征的方法。(PCA program, data processing ,Scindapsus, machine learning, principal component analysis method, A method of specifying important features .)
FNN与PCA和KPCA结合
- 一种特征提取方法:结合主元分析(PCA)和核主元分析(KPCA)的前馈神经网络(FNN)(A feature extraction method: the feedforward neural network (FNN) combined with principal component analysis (PCA) and kernel principal component analysis (KPCA))
PCA
- 对一个数据表格的特征进行提取,从而得出哪些特征对乳腺癌肿瘤的影响效果最大(The characteristics of a data table are extracted to find out which characteristics have the greatest impact on breast cancer.)
基于PCA的人脸识别
- 主成分分析法(principal conponent analysis, PCA)也叫Hotelling变换或特征脸法,是基于 K-L变换基础上研发得到的。该方法的核心是能够降低图像空间的维度,具体做法是将原始的数据通过某种线性变换从高维度空间转变到低维度空间中,这些数据彼此不相关,根据贡献率选取最大的前一部分,使原数据具有最大的变化量,对后面的图像也向这个空间投影,然后比较它们之间的距离来确定类别关系。PCA方法的缺点是对光照问题比较敏感。
PCA&SVD_Denoising
- 使用PCA和SVD进行数据去噪,利用数据主要的特征向量进行数据恢复和重建(Using PCA and SVD for data denoising)
PCA TEST
- 主成分分析程序,能够对高维数据降维分析,适用于高维特征降维,大数据分析(The principal component analysis program can analyze dimensionality reduction of high-dimensional data.)
基于PCA的SVM分类
- 选择“BreastCancer”数据集,使用支持向量机(SVM)对其进行分类。作为对比,第一次对特征集直接进行支持向量机分类,第二次对特征集进行主成分分析法的特征提取后,再对特征提取后的特征集进行支持向量机分类。并且对比和分析了两次分类的结果。(The BreastCancer data set is selected and classified by Support Vector Machine (SVM). For comparison, the first time the featur
基于PCA和SVM的人脸识别系统
- 先通过图像处理提取人脸的各个特征,然后对人脸通过PCA进行降维,然后通过SVM进行人脸识别(Firstly, the features of human face are extracted by image processing, then the dimension of human face is reduced by PCA, and then the face is recognized by SVM)
PCA+mnist
- 基于python,利用主成分分析(PCA)和K近邻算法(KNN)在MNIST手写数据集上进行了分类。 经过PCA降维,最终的KNN在100维的特征空间实现了超过97%的分类精度。(Based on python, it uses principal component analysis (PCA) and K nearest neighbor algorithm (KNN) to classify on the MNIST handwritten data set. After PCA dime