pca相关代码（pca csdn）

今天给各位分享pca相关代码的知识，其中也会对pca csdn进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！

本文目录一览：

• 1、C#中如何编写PCA算法代码？
• 2、求pca（PricipalComponentAnalysis）的java代码
• 3、基于PCA的图像融合的代码

C#中如何编写PCA算法代码？

      PCA的处理步骤：

1，均值化

2，求协方差矩阵（我知道的有两种方法，这是第一种，按部就班的求，第二种是：（A*A‘/(N-1)））

3，求协方差的特征值和特征向量

4，将特征值按照从大到小的顺序排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵

5，将样本点投影到选取的特征向量上

matlab实现源代码

%PCA算法，matlab实现

function F=pcad(A,n)%A是M*N

%测试实例A=[2.5,0.5,2.2,1.9,3.1,2.3,2,1,1.5,1.1;2.4,0.7,2.9,2.2,3.0,2.7,1.6,1.1,1.6,0.9]

%结果F=[0.8280，-1.7776，0.9922，0.2742，1.6758，0.9129，-0.0991，-1.1446，-0.4380，-1.2238]

%PCA第一步：均值化

X=A-repmat(mean(A,2),1,size(A,2))%去均值

%PCA第二步：求特征协方差矩阵

B=COV(X')%求协方差

%PCA第三步：求特征协方差矩阵的特征值和特征向量

[v,d]=eig(B)%求特征值和特征向量

%PCA第四步：将特征值按照从大到小的顺序排序

d1=diag(d);%取出对角矩阵，也就是把特征值提出来组成一个新的M*1的d1矩阵

[d2 index]=sort(d1); %特征值以升序排序 d2是排序后的结果 index是数排序以前的排名位置

cols=size(v,2);% 特征向量矩阵的列数

for i=1:cols   %对特征向量做相反位置的调整 是个降序排列。这个过程把特征值和特征向量同时做相应的降序排列

    vsort(:,i) = v(:,index(cols-i+1) ); % vsort 是一个M*col(注:col一般等于M)阶矩阵，保存的是按降序排列的特征向量,每一列构成一个特征向量

    %vsort保存的是协方差矩阵降序后的特征向量，为M*M阶

    dsort(i) = d1(index(cols-i+1));  % dsort 保存的是按降序排列的特征值，是一维行向量，1*M

end  %完成降序排列

M=vsort(:,1:n)%提取主成分量

%PCA第五步：将样本点投影到选取的特征向量上

F=(X'*M)'%最终的投影

求pca（PricipalComponentAnalysis）的java代码

package PCA;

import java.util.ArrayList;

import java.util.Collections;

import java.util.List;

import org.jblas.ComplexDoubleMatrix;

import org.jblas.DoubleMatrix;

import org.jblas.Eigen;

public class PCA {

 /**

  * Reduce matrix dimension     减少矩阵维度

  * @param source   源矩阵

  * @param dimension  目标维度

  * @return Target matrix  返回目标矩阵

  */ 

public static void main(String[] args){

DoubleMatrix d = new DoubleMatrix(new double[][]{{-1,-1,0,2,0},

{-2,0,0,1,1}});

DoubleMatrix result = PCA.dimensionReduction(d, 2);

System.out.println(result);

}

public static DoubleMatrix dimensionReduction(DoubleMatrix source, int dimension) {

//C=X*X^t/m 矩阵*矩阵^异或/列数

DoubleMatrix covMatrix = source.mmul(source.transpose()).div(source.columns);

ComplexDoubleMatrix eigVal = Eigen.eigenvalues(covMatrix);

ComplexDoubleMatrix[] eigVectorsVal = Eigen.eigenvectors(covMatrix);

ComplexDoubleMatrix eigVectors = eigVectorsVal[0];

//通过特征值将符号向量从大到小排序

ListPCABean beans = new ArrayListPCA.PCABean();

for (int i = 0; i  eigVectors.columns; i++) {

beans.add(new PCABean(eigVal.get(i).real(), eigVectors.getColumn(i)));

}

Collections.sort(beans);

DoubleMatrix newVec = new DoubleMatrix(dimension, beans.get(0).vector.rows);

for (int i = 0; i  dimension; i++) {

ComplexDoubleMatrix dm = beans.get(i).vector;

DoubleMatrix real = dm.getReal();

newVec.putRow(i, real);

}

return newVec.mmul(source);

}

static class PCABean implements ComparablePCABean {

double eigenValue;

ComplexDoubleMatrix vector;

public PCABean(double eigenValue, ComplexDoubleMatrix vector) {

super();

this.eigenValue = eigenValue;

this.vector = vector;

}

@Override

public int compareTo(PCABean o) {

return Double.compare(o.eigenValue, eigenValue);

}

@Override

public String toString() {

return "PCABean [eigenValue=" + eigenValue + ", vector=" + vector + "]";

}

}

}

org.jblas的jar包去百度下一个，我不知道怎么上传文件

基于PCA的图像融合的代码

private void lbl_CutImage_Paint(object sender, PaintEventArgs e)

{

int imgWidth = this.lbl_CutImage.Width - 4;

int imgHeight = this.lbl_CutImage.Height - 4;

if (imgWidth 1) { imgWidth = 1; }

if (imgHeight 1) { imgHeight = 1; }

// 创建缓存图像，先将要绘制的内容全部绘制到缓存中，最后再一次性绘制到 Label 上，

// 这样可以提高性能，并且可以防止屏幕闪烁的问题

Bitmap bmp_lbl = new Bitmap(this.lbl_CutImage.Width, this.lbl_CutImage.Height);

Graphics g = Graphics.FromImage(bmp_lbl);

// 将要截取的部分绘制到缓存

Rectangle destRect = new Rectangle(2, 2, imgWidth, imgHeight);

Point srcPoint = this.lbl_CutImage.Location;

srcPoint.Offset(2, 2);

Rectangle srcRect = new Rectangle(srcPoint, new System.Drawing.Size(imgWidth, imgHeight));

g.DrawImage(this.screenImage, destRect, srcRect, GraphicsUnit.Pixel);

SolidBrush brush = new SolidBrush(Color.FromArgb(10, 124, 202));

Pen pen = new Pen(brush, 1.0F);

关于pca相关代码和pca csdn的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。