function?[?pcaAV]?=?fastPCA（?AkmA）??
m=size（A1）;??%m為讀取圖片的張數
Z=（A-repmat（mAm1））;??%中心化樣本矩陣
%一般用中心化的矩陣代替原矩陣。為什么？因為將數據集的均值歸零（預處理），也就是只取數據的偏差部分
T=Z*Z‘;??
[V1D]=eigs（Tk）;%計算T的最大的k個特征值和特征向量??
V=Z‘*V1;?????????%協方差矩陣的特征向量??
for?i=1:k???????%特征向量單位化??
????l=norm（V（:i））;??
????V（:i）=V（:i）/l;??
end??
%單位化后的V才能是真正的低維空間的基，需要滿足正交化單位化兩個條件
pcaA=Z*V;???????%線性變換，降至k維??，將中心化的矩陣投影到低維空間的基中，V就是低維空間的基
end?

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2016-06-25?14:04??SVM人臉識別\
?????文件?????????579??2016-06-25?13:51??SVM人臉識別\fastPCA.m
?????文件????????2475??2016-06-25?14:00??SVM人臉識別\main.asv
?????文件????????2210??2016-06-25?14:04??SVM人臉識別\main.m
?????文件????????1122??2016-06-25?13:56??SVM人臉識別\ReadFace.m
?????文件?????????343??2016-06-25?14:04??SVM人臉識別\scaling.m