pca q matlab,PCA matlab实现

PCA 流程如下：

1、去均值  2、计算协方差矩阵 3、计算协方差特征值和特征向量 4、降序排列特征值选取较大的特征值,选择相应的特征值和特征向量

以下按照步骤编写matlab代码。

1.去均值

Matlab函数mean可得：如下

Mean_Image=mean(Train_SET,2); Train_SET=Train_SET-Mean_Image*ones(1,Train_NUM);

2.计算协方差矩阵

协方差定义：

具体求解：

*注意分母为(n-1)而不是n，因为这样定义的协方差方差是总体方差的无偏估计(具体可见：

协方差矩阵如下：

其元素aij表示变量i，j之间的协方差cov(i,j);

计算方法：

A.

其中Xj为去中心化之后的特征向量。

去中心化后，

可表示为如下：

求和之后，可以得到协方差矩阵。

B.

同理，上面的向量相加我们可以直接用矩阵相乘的形式得到。

设X为去中心后的特征矩阵，那么

C.

直接用 matlab自带的协方差的函数cov()计算，不过注意cov按行计算，实际运用时要转置。

我们使用矩阵形式，得到如下代码：

R=Train_SET*Train_SET'/(Train_NUM-1);

3.计算特征值与特征向量

根据PCA的原理，我们需要寻找使协方差矩阵对角化的变换矩阵

一个方阵可以写成如下形式：

其中Q为其特征向量组成的矩阵，

为其特征值组成的对角矩阵，转化一下式子，得到：

于是，我们现在只要得到协方差矩阵的归一化特征向量，组成转化矩阵Q即可。

使用matlab自带的函数eig()，

代码：

[V,S]=eig(R);

**小样本问题：

上面的代码存在一个问题，就是常见的小样本问题。样本维数>>样本个数，这样得到的协方差矩阵很大，直接求解时间复杂度过高。于是我们通过另一种方式来求解。

SVD(奇异值分解)：

A． 奇异值

设A为m*n阶实矩阵，则存在m阶正交阵U和n阶正交阵V，使得

A = U*S*V’

其中S=diag(σi,σ2,……,σr)，σi>0 (i=1,…,r)，r=rank(A)。

其中：

对任意矩阵A，它的奇异值就是AA’或A’A的非零特征值的开方(它们有相同的非零特征值)，这些特征值都是正数。

U 为AA’单位特征向量矩阵。

V为A’A单位特征向量矩阵。

B． 奇异值与特征值的联系

奇异值有类似于特征值的性质，当矩阵为共轭对称矩阵时，特征值=奇异值。不过一般情况是不相同的。

如果把矩阵看做一个线性变换，那么特征值表征了其特征向量方向的能量大小。根据定义我们可以看出，奇异值也有类似的性质

C． 奇异值分解与 PCA的关系

通过变换，我们可以得到：

也就是，已知A，V，我们可以求得U。

如上，如果AA’维数过大，计算机不好求解其特征向量U，那么我们可以转而求A’*A的特征向量V。

求解PCA的过程中，对于小样本问题，样本维数M>>样本个数N，那么X*X’得到的协方差矩阵为M*M，不好特征分解。如果我们根据SVD的原理，解X’*X(N*N)的特征向量，最后再变化，也能达到同样的目的。

(SVD具体可见：

通过奇异值分解，得到协方差矩阵特征向量，代码如下：

R=Train_SET'*Train_SET/(Train_NUM-1); [V,S]=Find_K_Max_Eigen(R,Eigen_NUM); disc_value=S; disc_set=zeros(NN,Eigen_NUM); Train_SET=Train_SET/sqrt(Train_NUM-1); for k=1:Eigen_NUM disc_set(:,k)=(1/sqrt(disc_value(k)))*Train_SET*V(:,k); end

4.完整代码

最终，整合上述的代码，得到如下完整的PCA代码：

function [disc_set,disc_value,Mean_Image]=Eigenface_f(Train_SET,Eigen_NUM)[NN,Train_NUM]=size(Train_SET);if NN<=Train_NUM Mean_Image=mean(Train_SET,2); Train_SET=Train_SET-Mean_Image*ones(1,Train_NUM); R=Train_SET*Train_SET'/(Train_NUM-1); [V,S]=Find_K_Max_Eigen(R,Eigen_NUM); disc_value=S; disc_set=V;else % 小样本问题，svd Mean_Image=mean(Train_SET,2); Train_SET=Train_SET-Mean_Image*ones(1,Train_NUM); R=Train_SET'*Train_SET/(Train_NUM-1); [V,S]=Find_K_Max_Eigen(R,Eigen_NUM); disc_value=S; disc_set=zeros(NN,Eigen_NUM); Train_SET=Train_SET/sqrt(Train_NUM-1); for k=1:Eigen_NUM disc_set(:,k)=(1/sqrt(disc_value(k)))*Train_SET*V(:,k); endend%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%function [Eigen_Vector,Eigen_Value]=Find_K_Max_Eigen(Matrix,Eigen_NUM)[NN,NN]=size(Matrix);[V,S]=eig(Matrix); %Note this is equivalent to; [V,S]=eig(St,SL); also equivalent to [V,S]=eig(Sn,St); %S=diag(S);[S,index]=sort(S);Eigen_Vector=zeros(NN,Eigen_NUM);Eigen_Value=zeros(1,Eigen_NUM);p=NN;for t=1:Eigen_NUM Eigen_Vector(:,t)=V(:,index(p)); Eigen_Value(t)=S(p); p=p-1;end

本文转载自：CSDN博客

欢迎加入我爱机器学习QQ14群：336582044

微信扫一扫，关注我爱机器学习公众号