KPCA（主成分分析）重要性排序！贡献度计算，一键运行！MATLAB程序（带数据集）

目录

1 KPCA（主成分分析）Matlab代码运行结果

1.1各主要成分的贡献率以及累积贡献率效果图

​1.2降维得到的主要成分

1.3主成分反映轴承故障分类效果明显！（数据集为10种轴承故障数据集）

2.KPCA算法实现步骤

2.1加载数据

2.2数据预处理

2.3确定核函数计算核矩阵

2.4计算特征向量和特征值

2.5选择主成分个数。

2.6计算主成分贡献率

3.代码获取

---

1 KPCA（主成分分析）Matlab代码运行结果

1.1各主要成分的贡献率以及累积贡献率效果图

1.2降维得到的主要成分

1.3主成分反映轴承故障分类效果明显！（数据集为10种轴承故障数据集）

2.KPCA算法实现步骤

2.1加载数据

首先，我们需要加载需要进行KPCA处理的数据。本文加载的数据为经时域特征提取得到的15维轴承故障数据特征集（sptz.mat)（提取方法见另一篇文章：CSDN）

2.2数据预处理

将sptz.mat进行预处理，预处理的目的是使数据具有零均值和单位方差。

2.3确定核函数计算核矩阵

KPCA的核心是核函数，它用于将数据映射到高维特征空间。本文选择的为径向基核函数。

2.4计算特征向量和特征值

在进行KPCA之后，我们需要计算数据的特征向量和特征值。

2.5选择主成分个数。

本文是根据累积贡献率选择主成分的个数，通过设置参数的大小，可以得到主成分的个数。

代表在累计贡献率为90%以上的主成分个数。

2.6计算主成分贡献率

主成分的贡献率表示每个主成分对数据方差的解释程度。在MATLAB中，我们可以使用以下公式来计算主成分的贡献率：

3.代码获取

KPCA（主成分分析）重要性排序！贡献度计算，一键运行！MATLAB程序（带数据集）