function?[C?y]?=?myPCA（x）
%對矩陣用主成分分析法（PCA）進行降維，得到白化矩陣和降維后的矩陣
%輸入參量：
%x-----待處理的矩陣
%輸出參量：
%C-----白化矩陣
%y-----降維后的矩陣
load（‘高維特征.mat‘）
x=features（:1:30）‘;
mat1=x;?????????????????????????????????????%x的行數代表的是特征個數，列數代表的是樣本數
[mn]?=?size（mat1）;
ref_mean?=?mean（mat12）;????????????????????%求矩陣mat1每行的均值
X?=?mat1?-?repmat（ref_mean1n）;????????????%mat1的每個元素減去對應行的均值，以便求協方差
A?=?X‘*X;
[V?D]?=?eig（A）;?????????????????????????????%求特征值和特征向量
D_diag?=?diag（D）;
[numd]?=?find（D_diag<0）;????????????????????%去除因擾動造成的負特征值及其對應的特征向量?
D_diag（numd）?=?[];
V（:numd）?=?[];
[D_sort?D_index]?=?sort（-D_diag）;????????????%特征值排序
D_sort?=?-D_sort;

%以總方差的70%為閾值，選取特征向量和特征值
D_pro?=?cumsum（D_sort）./sum（D_sort）;
num?=?find（D_pro>0.9）;???????????????????????%找到累計方差大于總方差90%的值所在的位置
T_num?=?num（1）;??????????????????????????????%閾值所在的位置（以排序后的特征值為參照）
D_select?=?D_sort（1:T_num）;??????????????????%去除較小的特征值，得到有效特征值（已排序）
D_index?=?D_index（1:T_num）;??????????????????%得到有效特征值的序號
V_select?=?zeros（size（V1

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2018-10-15?11:16??pca降維\
?????文件????????1503??2018-10-15?14:06??pca降維\myPCA.m
?????文件??????117313??2018-06-17?15:39??pca降維\高維特征.mat