PCA主成分分析的MATLAB和Eigen实现以及应用

最新推荐文章于 2022-07-30 21:09:30 发布

新安浅滩

最新推荐文章于 2022-07-30 21:09:30 发布

阅读量2.8k

点赞数 1

分类专栏：日常总结图形学数学文章标签：图形学统计 pca

本文链接：https://blog.csdn.net/hu694028833/article/details/80320482

版权

本文介绍了PCA主成分分析的基本理论，并详细阐述了如何在MATLAB和C++矩阵库Eigen中实现PCA。PCA通过计算协方差矩阵和特征值分解来提取数据的主要方向。在MATLAB中，作者展示了多种计算协方差矩阵的方法，并进行了PCA变换。在Eigen中，PCA过程同样被实现。最后，PCA的应用展示为模型矫正的结果。

摘要由CSDN通过智能技术生成

PCA实现和应用

目前在项目中需要对模型的位置进行矫正，想到了使用主成分分析，提取主方向，将模型方向进行变换得到正确的方向。以下对PCA过程首先在matlab中进行实现，然后在C++矩阵库Eigen中实现，总体较为简单。

PCA实现和应用

PCA理论

PCA(Principal component analysis)主成分分析，是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分[参考百度百科]。通俗来讲，PCA就是将数据从一个空间映射到一个各个维度不相关的一个空间，这样就提取了主方向。
比如下面的数据：
这里写图片描述
如果以xy两维【垂直和水平的轴】，来描述数据，我们发现数据相差较近，方差较小，不易区分。因此我们求取主成分，变换后的空间的主轴是如图所示的椭圆的两个轴。如果压缩到一维的空间，我们可以只选取长轴，这样也尽可能多的表达原数据的方差；如果选取两个轴，我们将各个方向的方差达到了最大，将原数据尽可能区分。