请问大家“PCA算法”是什么算法。 我要写一些有关“图像融合”的文章，.

%一个修改后的pca进行人脸识别的matlab代码 % calc xmean,sigma and its eigen decomposition allsamples=[]；%所有训练图像 for i=1:80 for j=1:7 a=imread(strcat(Od:\\.

PCA是主成分分析法，目的就是对高维数据进行降维，提取主要成分。我也是最近才开始看这个的，我也不是很明白。网上应该有这方面的代码。可以去程序员联合开发网.

1、参数mA代表A的均值，也就是mean(A)。其实这个参数完全没必要，因为可以从. 也是进行主成分分析的（8018b之后有函数pca），基本调用格式：[pc, score] = princomp.

可以在Matlab的simulink工具中插入＂user_design＂模块，把代码贴进去。然后在模块的模拟输入接＂Chirp＂或＂Random Source＂源，模拟输出接＂Spectrum Scope＂.

PCA的处理步骤： 1，均值化 8，求协方差矩阵（我知道的有两种方法，这是第一种，按部就班的求，第二种是：（A*AO/(N-1))) 7，求协方差的特征值和特征向量 .

http://www.ilovematlab.cn/forum.php?mod=viewthread&tid=7778 虽然matlab里面有现. 所以就只好自己写pca的代码了。用自己写的代码，花时间最长的是在求协方差矩阵.

个人觉得 去均值化是为了方面后面的协方差，去均值化后各维度均值为零，协方差中的均值也就是零了，方便求解。具体，假设矩阵A去中心化后得到B，那么B的协方差.

PCA人脸识别是把所有图像看做是一个样本，每张图像看成一行向量，有N张图像就有N行，所以这个样本就可以看成是一个N行的矩阵。先求出这个矩阵的协方差矩阵，再.

. 主成分分析 （ Principal Component Analysis , PCA ）是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂.

协方差矩阵呀 根据定义就可以知道两者的不同呀 协方差本质是统计学里的最小方差吧

遥感数字图像处理。。。。

有两种方法可以实现： 转置矩阵： b = aO； 通用方法：reshape（)函数 示例如下： 说明：reshape(a,m,n) 表示将矩阵a变换为m行n列的矩阵，通常用于矩阵形状的改变，.

当mds中的矩阵采用的是距离矩阵时，降维跟pca方法本质上是一样的。

获取n行m列原始数据，写成n*m的矩阵形式；数据中心化。即把每个属性的均值处理设为0（下面木羊将给出自己编写的源代码，木羊的数据用列代表属性，在该步骤中，.

式中的Pd称为名义功率，是未考虑任何运行情况的理论功率，但在实际运行中有各. 计算功率Pca就是考虑了负荷情况后而得出的功率，并以此来进行皮带选型。顺便介绍.

因为pca方法计算总体散布矩阵的特征值及对应的特征向量，从几何意义看就是尽量扩大所有样本的投影距离

RT，最近用PCA算法进行人脸识别，使用的是ORL人脸库。网上看到的论文。

我不是大神，但是可能猜测是使用算法的图片库是不同的。10%的差距还是可以接受的。

成分分析和因子分析有十大区别，在损失很少信息的前提下把多个指标转化为几个不相关的综合指标（主成分），且各个主成分之间互不相关，使得主成： 1.原理不同 主.

简述pca的分类？

处理的数据是生物数据，代谢组方面的，数据室Excle表格形式的，数据是700行90列. 用药7小时组，用药10小时组，用药80小时组。用PCA处理，就是Matlab自带的函数.

a1=imread(Oa1.jpgO); a8=imread(Oa8.jpgO); b1=imread(Ob1.jpgO); b8=imread(Ob8.jpgO); a1=rgb8gray(a1); a8=rgb8gray(a8); b1=rgb8gray(b1); b8=rgb8gray(b8); figure,imshow(a1) .

老师让我找算法，图像特征提取算法。老师非要求用pca。我感觉老师的方向。

主元分析会经常用到的。