问题标签 [pca]

有谁知道如何在 matlab 中的 m×n 矩阵上实现主成分分析（PCA）以进行归一化？

（赫比学习）

我的任务是在 Matlab 中编写 Oja 学习规则和 Sanger 学习规则，以训练神经网络。这个NN有6个输入和4个输出，我的训练集来自一个多元均匀分布，比如Xi~U(-ai,ai)和ai≠aj，对于所有i≠j

这些是最相关的文件（不包括大多数评论和 oja.m）

主文件

通用向量Unif.m

桑格.m

（注意： W是一个 4 x 6 大小的矩阵 。Wi是第i个输出 的权重向量。Wij = (Wi)j。在示例中，TS是一个 6 x 512 大小的矩阵）

你能告诉我我做错了什么吗？矩阵的值增长得非常快。我对 oja.m 有同样的问题

我试过了：

• 将eta替换为1/it --->NaN
• 用迭代次数的指数函数替换eta ---> 好的，但这不是我所期望的
• 取消注释W = 1/norm(W) * W; . 这实际上有效，但它不应该是必要的，还是应该？

我打算进行一些主成分分析，并以本PCA 教程为指导。我有以下代码：

但是，我只是没有得到教程中的一些特征值。我做错了什么还是dudi.pca知道“问题”？顺便说一句，我如何获得特征向量？

PS：

我使用了这些数据：

通过dudi.pca减去平均值来归一化。

我只是想澄清一下 OpenCV 中的 PCA。假设我有两行数据（A，B）。

一个 3 8 7

乙 2 4 5

如果我想在 OpenCV 中创建 PCA 模型，我必须对数据做什么？我是否必须减去平均值（例如从其数据点中减去 A 的平均值）还是 PCA 函数会这样做？

有人说 OpenCV PCA 期望数据被归一化（在 0 和 1 之间）。如果是这样，我如何正常化？

希望有人可以为我澄清这一点，因为 OpenCV 中的 PCA 在网络上的记录非常糟糕。

干杯...

我正在做一个人脸识别项目，我们正在使用 PCA 来减少图像的特征向量大小。问题是，在训练期间，我通过合并所有训练图像来创建 PCA 对象。现在，在测试期间，我需要之前获得的 PCA 对象。

我似乎无法弄清楚如何将 PCA 对象写入文件，以便在测试期间使用它。一种选择是我将它的特征向量写入文件。但是编写对象本身会方便得多。有没有办法做到这一点？

在我的 Lazarus/Free Pascal 应用程序中，我生成了一个大的多列数值矩阵。我想在此表上运行主成分分析(PCA)，但似乎找不到任何包来执行此操作。

R 语言有一个导出PCA 函数的 .dll 库，但它返回一个“princomp”类的对象。我不确定我将如何从此类中提取相关信息（例如转换后的矩阵）以在 Lazarus/FPC 中使用。

我有一个二进制 numpy 数组，并用 scipy.ndimage 标记了连接区域。我可以打电话来估计每个标记部分的偏心率吗？

编辑：

我正在尝试制定标准来查找和折腾比它们宽得多的标记部分。在下面的数组中，我可能想保留 7s 并折腾 3s。

我想对长格式的数据帧进行 PCA：

时间1 id1 数据11

时间1 id2 数据12

时间2 id1 数据21

等等

有没有一种简单的方法可以做到这一点，或者是标准的方法reshape，然后再做princomp。我的数据集非常大，大约有 40,000 次和 4,000 个 id。

有没有人在 Numpy 数组上遇到过用于 varimax 旋转的良好预先存在的代码？

在 C 或 Fortran 中优化的东西会很好，但我遇到的只是对同一件事的微弱和遥远的请求。

我princomp在 R 中使用来执行 PCA。我的数据矩阵很大（10K x 10K，每个值最多 4 个小数点）。在 Xeon 2.27 GHz 处理器上需要约 3.5 小时和约 6.5 GB 的物理内存。

由于我只想要前两个组件，有没有更快的方法来做到这一点？

更新 ：

除了速度之外，有没有一种内存有效的方法来做到这一点？

使用svd(,2,).