PCA matlab实现

PCA 流程如下:

1、去均值  2、计算协方差矩阵 3、计算协方差特征值和特征向量 4、降序排列特征值选取较大的特征值,选择相应的特征值和特征向量

以下按照步骤编写matlab代码。

 

1.去均值

Matlab函数mean可得:如下

Mean_Image=mean(Train_SET,2); 
Train_SET=Train_SET-Mean_Image*ones(1,Train_NUM);

2.计算协方差矩阵


协方差定义:

具体求解:


*注意分母为(n-1)而不是n,因为这样定义的协方差方差是总体方差的无偏估计(具体可见:

http://en.wikipedia.org/wiki/Unbiased_estimator#Sample_variancehttp://www.zhihu.com/question/20099757)

 

协方差矩阵如下:

PCA matlab实现_第1张图片

其元素aij表示变量i,j之间的协方差cov(i,j);

(关于协方差矩阵的含义,可见blog:http://blog.csdn.net/ice110956/article/details/14250745)

 

计算方法:

A.

其中Xj为去中心化之后的特征向量。

去中心化后,可表示为如下:


求和之后,可以得到协方差矩阵。

 

B.

同理,上面的向量相加我们可以直接用矩阵相乘的形式得到。

设X为去中心后的特征矩阵,那么


 

C.

直接用matlab自带的协方差的函数cov()计算,不过注意cov按行计算,实际运用时要转置。

 

我们使用矩阵形式,得到如下代码:

R=Train_SET*Train_SET'/(Train_NUM-1);

3.计算特征值与特征向量

 

根据PCA的原理,我们需要寻找使协方差矩阵对角化的变换矩阵

(可见blog:http://blog.csdn.net/ice110956/article/details/14250745)。


一个方阵可以写成如下形式:

 

其中Q为其特征向量组成的矩阵,为其特征值组成的对角矩阵,转化一下式子,得到:

于是,我们现在只要得到协方差矩阵的归一化特征向量,组成转化矩阵Q即可。

 

使用matlab自带的函数eig(),

代码:

[V,S]=eig(R);

**小样本问题:

上面的代码存在一个问题,就是常见的小样本问题。样本维数>>样本个数,这样得到的协方差矩阵很大,直接求解时间复杂度过高。于是我们通过另一种方式来求解。

 

SVD(奇异值分解):

 

A.奇异值

设A为m*n阶实矩阵,则存在m阶正交阵U和n阶正交阵V,使得

 

  A = U*S*V’

 

其中S=diag(σi,σ2,……,σr),σi>0 (i=1,…,r),r=rank(A)。

 

其中:

 PCA matlab实现_第2张图片

对任意矩阵A,它的奇异值就是AA'或A'A的非零特征值的开方(它们有相同的非零特征值),这些特征值都是正数。

U 为AA'单位特征向量矩阵。

V为A’A单位特征向量矩阵。

 

B.奇异值与特征值的联系

奇异值有类似于特征值的性质,当矩阵为共轭对称矩阵时,特征值=奇异值。不过一般情况是不相同的。

如果把矩阵看做一个线性变换,那么特征值表征了其特征向量方向的能量大小。根据定义我们可以看出,奇异值也有类似的性质

 

C.奇异值分解与PCA的关系

通过变换,我们可以得到:


也就是,已知A,V,我们可以求得U。

 

如上,如果AA’维数过大,计算机不好求解其特征向量U,那么我们可以转而求A’*A的特征向量V。

求解PCA的过程中,对于小样本问题,样本维数M>>样本个数N,那么X*X’得到的协方差矩阵为M*M,不好特征分解。如果我们根据SVD的原理,解X’*X(N*N)的特征向量,最后再变化,也能达到同样的目的。

 

(SVD具体可见:

http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html

http://szshdy.blog.163.com/blog/static/1322012512010511156587/)

 

通过奇异值分解,得到协方差矩阵特征向量,代码如下:

R=Train_SET'*Train_SET/(Train_NUM-1);
 
  [V,S]=Find_K_Max_Eigen(R,Eigen_NUM);
  disc_value=S;
  disc_set=zeros(NN,Eigen_NUM);
 
  Train_SET=Train_SET/sqrt(Train_NUM-1);
  for k=1:Eigen_NUM
   disc_set(:,k)=(1/sqrt(disc_value(k)))*Train_SET*V(:,k);
  end

4.完整代码

最终,整合上述的代码,得到如下完整的PCA代码:

function [disc_set,disc_value,Mean_Image]=Eigenface_f(Train_SET,Eigen_NUM)


[NN,Train_NUM]=size(Train_SET);

if NN<=Train_NUM 
    
   Mean_Image=mean(Train_SET,2);  
   Train_SET=Train_SET-Mean_Image*ones(1,Train_NUM);
   R=Train_SET*Train_SET'/(Train_NUM-1);
   
   [V,S]=Find_K_Max_Eigen(R,Eigen_NUM);
   disc_value=S;
   disc_set=V;

else % 小样本问题,svd
    
   Mean_Image=mean(Train_SET,2);  
   Train_SET=Train_SET-Mean_Image*ones(1,Train_NUM);

  R=Train_SET'*Train_SET/(Train_NUM-1);
  
  [V,S]=Find_K_Max_Eigen(R,Eigen_NUM);
  disc_value=S;
  disc_set=zeros(NN,Eigen_NUM);
  
  Train_SET=Train_SET/sqrt(Train_NUM-1);
  for k=1:Eigen_NUM
    disc_set(:,k)=(1/sqrt(disc_value(k)))*Train_SET*V(:,k);
  end

end

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

function [Eigen_Vector,Eigen_Value]=Find_K_Max_Eigen(Matrix,Eigen_NUM)

[NN,NN]=size(Matrix);
[V,S]=eig(Matrix); %Note this is equivalent to; [V,S]=eig(St,SL); also equivalent to [V,S]=eig(Sn,St); %

S=diag(S);
[S,index]=sort(S);

Eigen_Vector=zeros(NN,Eigen_NUM);
Eigen_Value=zeros(1,Eigen_NUM);

p=NN;
for t=1:Eigen_NUM
    Eigen_Vector(:,t)=V(:,index(p));
    Eigen_Value(t)=S(p);
    p=p-1;
end


你可能感兴趣的:(机器学习)