我正在尝试开发一个图像分类系统。我正在使用以下文章：
Dia Abu Al Nadi 博士和 Ayman M. Mansour 进行纹理分类的独立成分分析 (ICA)
在一段中它说：
给定上述纹理图像，通过上述方法学习独立分量。上述纹理的 (8 x 8) ICA 基函数分别如图 2 所示。通过 PCA 降低维度，总共有 40 个函数。请注意，来自不同窗口大小的独立组件是不同的。
“上面概述的方法”是 FastICA，纹理取自Brodatz 相册，每个纹理图像都有640x640像素。我的问题是：
作者的意思是“PCA 减少了维度，总共有 40 个函数。”，我怎样才能使用 matlab 获得这些函数？
PCA（主成分分析）是一种为高维（数据）空间寻找正交基（想想坐标系）的方法。PCA 基础的“轴”按方差排序，即沿着第一个 PCA“轴”，您的数据具有最大的方差，沿着第二个“轴”具有第二大的方差，依此类推。
这被用于降维：假设您有 1000 维数据。然后你做一个 PCA，将你的数据转换为 PCA 基础，并丢弃除前 20 个维度之外的所有维度（只是一个示例）。如果您的数据遵循某种统计分布，那么 20 个 PCA 维度描述您的数据的可能性几乎与 64 个原始维度一样。有一些方法可以找到要使用的维数，但这超出了这里的范围。
在计算上，PCA 相当于在 Matlab 中找到数据协方差矩阵的特征分解：[V,D] = eig(cov(MyData)).
请注意，如果您想使用这些概念，您应该认真阅读。Turk 和 Pentland 的 Eigenfaces是一篇关于您可以在图像数据上使用 PCA 做什么的经典文章。它还以易于理解的方式提供了一些背景知识。
PCA降低数据维度，ICA提取数据的维度必须<=数据维度的组件