matlab的pca图像去噪程序,PCA实现过程梳理以及降噪处理

现在CNV分析方法有很多，但是随着NGS成本的降低，高深度的测序下背景下，read count(depth)方法逐渐变为各个分析软件的主流。最近在看GATK的CNV分析方法，其中在创建PoN(PanelofNormals)和denoise过程都使用了PCA(Principal Component Analysis)的奇异值分解(Singular Value Decomposition, SVD)方法，因此有比较对PCA思路做个梳理以及了解下常见的如何使用PCA来降噪(denoise) R语言中，PCA一般常用的基础函数是prcomp和princomp，两者有些差别：

prcomp适用于R mode和Q mode，而princomp只适用于R mode

prcomp基于奇异值分解(SVD)，求最小二乘的优化解(最小化的结果要求寻找一个正交矩阵AB,记作H[q]，H[q]为投影矩阵，把每个点X[i]投影到q维结构H[q]x[i],这是由V[q]的列限定的x[i]的正交投影)

princomp是基于相关系数矩阵的特征值分解，方差最大化方法(本质上是求原始变量协方差/相关系数矩阵的特征值和特征向量，第i主成分对应着协方差的第i大特征值，投影方向为该特征值对应的特征向量，而特征值等于相应主成分的方差，因此代表着对应主成分分解原始信息的多少)

prcomp在参数中如果设定了scale=T，那么如果princomp结果想与prcomp保持一致，则princomp函数需加上cor=T参数(其实原因在于cor和cov之间刚好相差了一个scale)

R mode是指基于variable分析，一般来研究variable之间的关系，当数据集的observation数目大于variable时；Q mode是指基于ob