%%???感謝@chenyu19880302?博主的博客內容，它用通俗易懂的語言介紹了pca算法的原理和代碼，
%%%???本人將它的代碼進行整理，并換成自己的數據進行運算，發現它沒有用matlab自帶的pca函數
%%%???由于本人研究的是ERP內容，數據格式可能不一樣，所以運行的時候請自行修改一些參數
%%%???版權聲明：本文為博主原創文章，遵循?CC?4.0?BY-SA?版權協議，轉載請附上原文出處鏈接和本聲明。
%%%???本文鏈接：https://blog.csdn.net/chenyu19880302/article/details/9163303
%%%????導入數據格式為n*m，n為樣本數，m為特征數
%%?第一步：輸入樣本矩陣%%%%%%%%%%%%%%??500個樣本?62導聯?24個維度
vector=dataA;????%??此為導入數據，只需要修改dataA為自己的數據即可運行
newfeature=[];
%現對其進行pca降維??
for?chan=1:62
%第二步：計算樣本中每一維的均值，然后計算觀察值與均值之間的偏差，再計算協方差矩陣
?????feature=vector（:（chan-1）*24+1:（chan*24））;??%?按導聯分開
????s=sum（feature1）;%計算每一列的均值
????[nSmpnFea]?=?size（feature）;
????feature=feature-repmat（mean（feature）nSmp1）;%把每一維的均值復制成nSmp*nFea矩陣，然后計算偏差
????W=zeros（nFeanFea）;%建立一個nFea*nFea的零矩陣
????W=W+feature‘*feature;
????W=W/（nSmp-1）;%根據協方差公式計算協方差，得到協方差矩陣W
%第三步：計算協方差矩陣的特征值和特征向量矩陣
????fprintf（1‘Calculating?generalized?eigenvectors?and?eigenvalues...\n‘）;
????[eigvectors?eigvalues]?=?eig（W）;%eigvectors為特征向量組成的矩陣，eigvalues特征值組成的對角矩陣
????fprintf（1‘Sorting?eigenvectors?according?to?eigenvalues...\n‘）;
????d1=diag（eigvalues）;%返回對角矩陣上的值
????[d2index]=sort（d1）;?%以升序排序，d2為排列后的值，index為索引值
????cols=size（eigvectors2）;%?特征向量矩陣的列數
????for?i=1:cols
????vsort（:i）?=?eigvectors（:?index（cols-i+1）?）;?%?vsort?是一個M*col（注:col一般等于M）階矩陣，保存的是按降序排列的特征向量每一列構成一個特征向量
????dsort（i）?=?d1（?index（cols-i+1）?）;?%?dsort?保存的是按降序排列的特征值，是一維行向量
????end?%完成降序排列
%第四步：計算總能量，并選取貢獻率最大的特征值
????dsum?=?sum（dsort）;%對所有的特征值求和
????dsum_extract?=?0;%求前幾個特征值之和當前幾個特征值之和大于預設值時，可以認為這幾個特征值可以表征當前矩陣
????p?=?0;
??