搜索资源列表
ssvd-0.2.5.tar
- 是一个矩阵的奇异值分解算法的源码包，是在SVDPACKC的基础上进行的封装，典型应用是在LSI算法中用来降维生成一个小的语义空间。-is a matrix of the singular value decomposition algorithm source package is SVDPACKC conducted on the basis of the package, the typical application is in the LSI algorithm used to gene
nmfpack
- NMFs算法（带稀疏度约束的非负稀疏矩阵分解）用于实现基于人脸局部特征的人脸识别，通过近似的矩阵分解进行空间降维。
基于杂波协方差矩阵降维空时自适应处理研究
- 介绍了基于杂波协方差矩阵降维空时自适应处理的基本原理以及仿真结果
DCC
- 基于典型相关性的线性鉴别分析，先用PCA对数据降维之后，再结合典型相性鉴别分析来得到转换矩阵-Based on a typical linear correlation analysis to identify, first PCA for data reduction, the combined analysis to identify the typical phase of the transformation matrix obtained
PCA
- PCA,主成分分析，可应用于矩阵降维，人脸特征提取及人脸识别。-PCA, principal component analysis, can be applied to matrix reduction, facial feature extraction and face recognition.
lle
- 基于邻域嵌入式的降维 充分利用matlab矩阵的功能 程序简捷-Neighborhood-based embedded full advantage of dimension reduction procedures for simple matlab function matrix
pcafacerecognition
- 基于主成分分析(PCA)的人脸识别系统 利用2D PCA算法求对训练集向量进行降维的降维矩阵，最近邻法测试对测试集识别的精度-pca face recognition
daima
- （压缩包里一共有5个代码） pca+lda+粗糙集+模糊神经网络 saveORLimage.m将ORL人脸库分为测试集ptest和训练集pstudy存为imagedata.mat 1.savelda.m将人脸库先进行pca降维，再用lda进行特征提取，得到新的测试集ldatest和训练集ldastudy存为imageldadata.mat 2.对ldastudy进行离散化(discretimage.m)，得到离散化矩阵disdata,存入到imagedisdata.mat
PCA
- 用于模式识别中的PCA降维输入数据data和option。data是一个矩阵，每一行代表一个样本。option是选择降维到多少维。-[eigvector, eigvalue] = PCA(data, options) [eigvector, eigvalue] = PCA(data)
LLDE
- llde程序是一个用于降维的程序。用于降低数据的维数，更好精简冗余信息。-ddle is used for data dimention reduction.
lda
- 一个基于人耳模式识别的lda算法，可实现对高维矩阵的降维。-A pattern recognition based on human ear lda algorithm can realize high-dimensional matrix of dimension reduction.
PCA_C
- PCA 应用于数据矩阵降维，压缩数据！广泛应用于各种行业。 Author: F. Murtagh- Principal Components Analysis or the Karhunen-Loeve expansion is a classical method for dimensionality reduction or exploratory data analysis. One reference among many is: F. Murtagh
mds
- 本代码是关于Multi-Dimensional Scaling（MDS）的代码，可以用于特征提取、特征选择，或是矩阵降维。-This file is part of the Matlab Toolbox for Dimensionality Reduction v0.4b. You are free to use, change, or However,
feisher
- 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 steps: 1 of the first data center 2 covariance matrix obtained 3 obtained covariance matrix eigenvalues and eigenvectors 4
meanshiftsegmentation
- 均值漂移图像分割测试程序,使用meanshift算法对彩色图像进行聚类分割，效果很好，并且显示使用时间、找到的类数，另包含RGB与LUV颜色空间的互相转换，图片矩阵数据转为降维数组等，程序中有详尽的注释和说明，并且配有测试结果图片，非常适合计算机视觉、机器学习、模式识别的朋友参考-failed to translate
PCA
- 对训练数据进行主成分分析，得到降维矩阵，然后根据降维矩阵求得测试数据降维之后的矩阵。-The training data, principal component analysis, to obtain reduced dimensional matrix, and the matrix obtained after the dimensionality reduction test The dimensionality reduction matrix.
混沌序列测量矩阵
- 关于混沌序列测量矩阵构造可以得到伪随机性很好的混沌序列测量矩阵，是实现压缩感知降维测量的方便工具(As for the construction of chaotic sequence measurement matrix, a chaotic sequence measurement matrix with good pseudo randomness can be obtained. It is a convenient tool for compressed sensing and dim
PCA0118
- PCA降维，将特征以二维矩阵形式输入，对特征进行降维处理。(PCA dimension reduction, the characteristics of a two-dimensional matrix input, the feature dimensionality reduction.)
compute_mapping
- 输入： 二维矩阵；输出：降维结果； 共包含34种降维方法，线性/非线性；局部/全局；监督/非监督(Input: 2-D matrix; output: dimension reduction result; contains 34 dimensionality reduction methods, linear / nonlinear; local / global; supervised / unsupervised.)
核主元分析（Kernel principal component analysis ，KPCA）在降维、特征提取以及故障检测中的应用
- 主要功能有： （1）训练数据和测试数据的非线性主元提取（降维、特征提取） （2）SPE和T2统计量及其控制限的计算 （3）故障检测 KPCA的建模过程（故障检测）： （1）获取训练数据（工业过程数据需要进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）特征值分解 （5）特征向量的标准化处理 （6）主元个数的选取 （7）计算非线性主成分（即降维结果或者特征提取结果） （8）SPE和T2统计量的控制限计算