学习笔记（十）：PCA投影

  PCA主成分分析，用于结合I和Q信号的技术。可将二维数据转换为一维数据，抑制冗余信息，最大限度地提高数据方差。
本文目标：

PCA方法寻找CSI商序列的最大投影方向：
输入：30个子载波上的CSI商
输出：30个子载波各自的最大投影方向 $\overrightarrow{p(\theta )}=[cos(\theta )sin(\theta )]$

1. PCA原理

背景概述：

  在多变量大数据集的背景下，许多变量存在相关性，要想既完全利用数据中的信息又降低分析的复杂度，可以用PCA进行降维和特征提取。

总体思想：

  将关系紧密的变量变成尽可能少的两两不相关的新变量，从而用较少的综合指标去代表存在于各个变量中的各类信息。
  考虑本文目标，即利用PCA将2维样本映射到1维特征上。并使得二维样本点在$\overrightarrow{p(\theta )}$上的一维特征方差尽可能大。

PCA处理二维（高维）数据的案例学习：
对于2*10的一组二维数据：
$$\begin{array}{l}\mathrm{X}=[2.5,0.5,2.2,1.9,3.1,2.3,2.0,1.0,1.5,1.1{]}^{\mathrm{T}}\\ \mathrm{Y}=[2.4,0.7,2.9,2.2,3.0,2.7,1.6,1.1,1.6,0.9{]}^{\mathrm{T}}\end{array}$$有：
$$\mathrm{cov}(X,Y)=\frac{{\sum }_{i=1}^n\left(X_i-\bar{X}\right)\left(Y_i-\bar{Y}\right)}{n-1}$$
注意，一般计算协方差矩阵前，会进行样本矩阵中心化，即每一维度减去该维度的均值，然后用新的样本矩阵乘其转置，然后除以(N-1)。

n维数据需要计算$\frac{n!}{(n-2)!\ast 2}$个协方差，即协方差矩阵：$C_{n\times n}=\left(c_{i,j},c_{i,j}=\mathrm{cov}\left({\mathrm{Dim}}_i,{\mathrm{Dim}}_j\right)\right)$。

对于上述二维数组，利用np.cov(X,Y)可以得到：
$$\mathrm{cov}=\left(\begin{array}{ll}0.616555556& 0.615444444\\ 0.615444444& 0.716555556\end{array}\right)$$

接下来，计算其特征向量与特征值。
$$\begin{array}{c}\text{ eigenvalues }=\left(\begin{array}{c}0.0490833989\\ 1.28402771\end{array}\right)\\ \text{ eigenvectors }=\left(\begin{array}{cc}-.735178656& 0.677873399\\ 0.677873399& 0.735178656\end{array}\right)\end{array}$$

  特征向量即单位矢量，特征值越大，说明主成分越重要，PCA后的方差 [1.28402771]。考虑第二个特征值对应的特征向量(按列看)。
  用该$特征向{量}_{1x2}$ · $原始二维样{本}_{2x10}$得到维度为1维的向量。从而实现了方差最大的投影。

2. PCA用途的一些思考

局限性：仅能寻找不完整的CSI商弧线上的CSI投影，适用于呼吸、手势细粒度运动场景，理论上不适用于定位等场景。
实现方法：

输入：T1的CSI商复数序列，其实部和虚部分别可以看作X，Y。
输出：T1的归一化后的实数投影序列

ToDo：找几篇关于PCA和CSI有关的论文进一步了解PCA在MIMO中的应用。

from sklearn.decomposition import PCA
import numpy as np
X = np.array([2.5, 0.5, 2.2, 1.9, 3.1, 2.3, 2.0, 1.0, 1.5, 1.1]).T
Y = np.array([2.4, 0.7, 2.9, 2.2, 3.0, 2.7, 1.6, 1.1, 1.6, 0.9]).T
pca = PCA(n_components='mle')
pca.fit(l)
print('PCA后的方差', pca.explained_variance_)
print('fit_transform是fit和transform的组合，既包括了训练又包含了转换,注意此处的数据归一化过了:', '\n', pca.transform(l).T)
l = np.array([X, Y]).T
# sklearn PCA的方差和前面求得的方差一样
# 后续针对PCA后的CSI商序列进行BNR求解即可