EOF与PCA算法的python实现和比较

最新推荐文章于 2022-09-23 21:53:19 发布

赤兔DD

最新推荐文章于 2022-09-23 21:53:19 发布

阅读量6k

点赞数 3

分类专栏： python 文章标签： python 算法 EOF PCA 数据降维

本文链接：https://blog.csdn.net/maliang_1993/article/details/51284603

版权

前言

自然正交分解（EOF），主成分分析（PCA）原来是一种方法，或者说是比较相似的方法。因为专业的原因，气象上用到EOF的时候比较多，而大学期间参加数模又接触到了主成分分析，可是那是的我从来没想到这是一种方法，哎，看算法原理没有看仔细。直到后来参加研究生赛的时候，学姐告诉我真相，这原来是一种方法啊。最近气象统计也主要讲这块，所以我就亲自实践了一下来惩罚我的不认真。

EOF&PCA 前提准备

X是经过减去时间距平处理后的数据，即这里写图片描述

X是由m个格点的场形成t个时刻的时间序列

X可以被m个两两正交（模为特征值）的时间序列和m个两两正交的单位空间序列完全表达。此时为0
其中（1）
这里的V相当于坐标旋转系数，比如，对于一个二维空间，原来的基坐标是i=[1,0]和j=[0,1].有一个场向量是v=5i+6j, 下一时刻变为v2=7i+3j, 那么x可以表示为这里写图片描述，V就是EOF里面的模态，也是PCA中的载荷向量或者通俗的叫法是各个原成分分量的权值，对于v1=[3/sqrt(14),2/sqrt(14)]来说，基向量就变成了一个k=3/sqrt(14)i+2/sqrt(14)j, 他对应的时间系数变为=[27/sqrt(14),27/sqrt(14)]，在PCA中是X的一个主成分，也是EOF的时间系数。
还有一点我觉得比较重要的是时间系数和各个模态分量的性质：
空间场：正交，单位向量（模为1）；这里写图片描述（2）
时间上，正交，模为特征值，（如果除以总特征值的和，代表的是对于原场时间序列解释的方差贡献率）。（3）