多维数据生成与压缩分类实验分析

87、a. 生成两组各100个三维高斯向量，其均值向量和协方差矩阵如下：均值向量 μ 为 [3; 5; -2]，协方差矩阵 Σ 为 [[5, -7, 7]; [-7, 13, -12]; [7, -12, 11]]。b. 对第一组进行主成分分析，然后用得到的结果对第二组进行投影。总结这种分析方法的泛化能力。c. 对生成的向量进行预处理，使每个分量的均值为0且标准差为1，然后重复上述分析。将结果与之前的结果进行比较，总结这种数据预处理的作用。

可按以下步骤解答：

a. 使用编程语言（如MATLAB）中的相关函数（如 mvnrnd ）根据给定的均值向量和协方差矩阵生成两组各100个三维高斯向量。

b. 对第一组向量计算协方差矩阵，求其特征值和特征向量，选取特征值大的特征向量构成变换矩阵，用该矩阵对第一组向量进行主成分分析，再用此变换矩阵对第二组向量投影。若能较好地投影说明泛化能力强。

c. 对生成的向量进行标准化预处理（减去均值除以标准差），重复 b 步骤，对比结果。若预处理后结果更好，说明预处理有助于去除数据量纲等影响，提升分析效果。

88、生成两类各500个向量，第一类向量均匀分布在半径为0.3的球内，第二类向量均匀分布在半径从0.7到1的球冠内，两类向量均以原点为中心。使用主成分分析（PCA）、线性判别分析（LDA）和随机初始化的萨蒙（Sammon）方法将这两类向量投影到二维空间。然后使用由PCA解初始化的萨蒙算法重复投影，并对得到的结果进行总结。

可按以下步骤操作：

1. 生成两类向量；
2. 分别用PCA、LDA和随机初始化的Sammon方法进行二维投影；
3. 用PCA解初始化Sammon算法再投影；
4. 对比投影结果，分析各类方法投影效果、类间分离程度、数据分布等方面得出结论。

89、a. 生成三类各1500个二维高斯向量，其均值向量和协方差矩阵如下：第一类均值向量为[3; 5]，协方差矩阵为[[4, 6]; [6, 12]]；第二类均值向量为[