主成分分析（PCA）中的协方差矩阵求法？

yutianzuijin
领域专家: 算法与数据结构技术领域
2012-04-20 11:38:41
最近要做一个人脸识别的程序，现在想采用PCA方法。从csdn上也下了一个资源：http://download.csdn.net/detail/zjhwisdom/2147798，研究了一下代码。
现在有一个问题：协方差矩阵标准的求法是x*x',但是有可能x的维数太大，导致协方差矩阵的行数非常大。上述下载的代码却是求的x'*x，我想问一下虽然这样可以降低维数，但是这有道理吗？是否正确？
...全文
1070 2 打赏 收藏 转发到动态 举报
写回复
用AI写文章
2 条回复
切换为时间正序
请发表友善的回复…
发表回复
digitalfilter 2013-12-09
  • 打赏
  • 举报
 回复
代码中采用的应该是零均值的行向量，此时的协方差矩阵是x'*x，列向量的话应该是x*x'。
alice_ice_lemon 2013-05-07
  • 打赏
  • 举报
 回复
您好 我也在做人脸识别的毕设 用VC编程的 能否发给我个案例参考 非常感谢！！！421369006@qq.com
主成分分析（PCA）原理详解
“微信公众号”本文同步更新在我的微信公众号里，地址：https://mp.weixin.qq.com/s/Xt1vLQfB20rTmtLjiLsmww本文同步更新在我的知乎专栏里面：主成分分析（PCA）原理详解 - Microstrong的文章 - 知乎https://zhuanlan.zhihu.com/p/377770741.相关背景在许多领域的研究与应用中，通常需要对含有多个变量的数据进行观...
主成分分析（PCA）详解
  在当今数据驱动的时代，数据的维度和复杂性不断增加，如何有效地处理和分析这些高维数据成为了一个重要的挑战。主成分分析（PCA）作为一种经典的降维技术，因其简单有效而广泛应用于各个领域。PCA不仅能够帮助我们识别数据中的潜在结构，还能显著减少计算成本，提高后续分析和建模的效率。  通过将高维数据映射到低维空间，PCA能够保留数据中最重要的信息，从而使得数据可视化和特征提取变得更加直观和高效。在本文中，我们将深入探讨PCA的基本原理、数学模型、实现步骤以及其在实际应用中的广泛场景，旨在为读者提供一个全面的理解
点云的基本特征和描述，PCA主成分分析
文章目录一、点云特征的基本要求二、点云特征的分类三、点云的基本特征描述四、PCA（Princile Components Analysis）主成分分析4.1 点云的PCA步骤打赏支付宝微信 一、点云特征的基本要求 http://www.pointclouds.org/documentation/tutorials/ 二、点云特征的分类 https://blog.csdn.net/shaozhenghan/article/details/81346585 三、点云的基本特征描述 二维情况 三维情况 四
PCA 原理：为什么用协方差矩阵
PCA的理论知识以及与K-L变换的关系 PCA是主成分分析(Principal Components Analysis)的简称。这是一种数据降维技术，用于数据预处理。一般我们获取的原始数据维度都很高，那么我们可以运用PCA算法降低特征维度。这样不仅可以去除无用的噪声，还能减少很大的计算量。 K-L转换(Karhunen-Loève Transform)是建立在统计特性基础上的一种转换，它是均方...
PCA、协方差矩阵以及在点云处理中的应用
PCA、协方差矩阵及其在点云处理中的应用 文章目录PCA、协方差矩阵及其在点云处理中的应用目的PCA推导特征值分解奇异值分解奇异值分解同特征值分解的关系点云处理中的应用参考链接 目的 考虑一个问题：一组数据XP×NX_{P\times N}XP×N​ (数据维度为P，样本点数目为N)，我们想对XXX进行降维，但最大限度的保留其中的信息，该怎么做？ 一种直观的想法是这样的，如果数据中存在高度相关的维度，那我们只保留其中的一个维度就可以了。对于普通的数据，各维度的相关性比较复杂，判断要保留哪些维度是一件比较困难
其他开发语言

3,425

社区成员

15,624

社区内容

发帖
与我相关
我的任务
社区描述
其他开发语言 其他开发语言
社区管理员
  • 其他开发语言社区
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章