2016 - 2024

感恩一路有你

pca降维后的数据怎么理解 【人脸识别】用pca降维 fisher分类器 yale数据集,用matlab实现?

浏览量:2158 时间:2021-03-12 07:09:13 作者:admin

【人脸识别】用pca降维 fisher分类器 yale数据集,用matlab实现?

您不清楚流程,不知道需要什么帮助。

耶鲁数据不知道存在哪些功能。如果主成分分析降到二维,这个特征空间描述是否足以区分不同的人脸?我从来没有用过它,只是一个简单的问题从来没有用过。似乎与PCA和LDA有一定关系。这似乎是一种映射降维。它似乎是一个非常简单的分类器。这样的分类器效果好不好。(如果你看你的二维特征空间,这似乎不是问题。)如果是二维人脸识别,我们可以先考虑子图像分割,然后创建子图像权重系数矩,然后子图像矩阵取高特征值,或者用DCT矩阵取大特征,利用特征值和权矩生成特征空间。然后利用模糊神经网络对数据进行训练,得到识别系统。或者你也可以用BP遗传算法,学校使用的ORL数据库似乎有90分以上的识别率。

PCACOV函数的输入参数是数据的协方差矩阵。它是一个方阵。2、计算出矩阵对应的协方差矩阵,然后调用PCACOV函数;3、程序中的特征值按从大到小的顺序排列,也可以根据索引找到相应的特征向量。

请教如何用pcacov对矩阵进行降维处理?

K-L变换是离散变换的缩写,也称为主成分变换(PCA)。

多光谱图像X的线性组合,利用K-L变换矩阵a产生一组新的多光谱图像y,表达式为:y=ax,其中X为变换前多光谱空间的像素向量;y为变换前霍德主成分空间的像素向量;a是变换矩阵,是X空间协方差矩阵∑X的特征向量矩阵的转置矩阵,从几何角度看,变换后的主分量空间坐标系相对于原多光谱空间坐标系旋转一个角度,新坐标系的坐标轴必须指向数据信息量大的方向。就新谱带的主成分而言,它们包含了不同的信息,并呈现出下降的趋势。我建议大家看一下张峥、王艳萍、薛贵祥等主编的《数字图像处理与机器视觉》第十章。

pca降维后的数据怎么理解 pca降维后数据重建 pca降维数后的数据

版权声明:本文内容由互联网用户自发贡献,本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。