一、特征提取和特征选择异同
1.特征提取 ：通过映射（变换）的方法，将高维的特征向量变换为低维特征向量。
2.特征选择：从原始特征中挑选出一些最具代表性、分类性能好的特征以达到降低特征空间维数的方法
二、基于距离可分性判据的特征提取方法
1.假设有n个原始特征：
希望通过线性映射压缩为d个特征Y=
其变换关系为，W为n*d矩阵。令为原空间的离散度矩阵，为映射后（也就是Y）离散度矩阵:
经过变换后的变为：
对上式的W的各个分量求偏导数并令其为零，即可以确定一个W的值。
三、（选做）
四、
（1）主对角线上代表各个维度内数据的方差，而非主对角线上的元素代表维度之间数据的协方差。（所以一定是一个实对称矩阵）
（2）最佳准则就是尽可能少地减少降维之后的信息损失
（3）因为在矩阵相似对角化以后，矩阵变成了只有主对角线上有元素。也就是说协方差矩阵的维度之间的方差全部变成了0，各维度分量也就没有了相关性
五、
（1）d=2:
整合矩阵->PCA分析：
%MATLAB 代码
X =[0,0,0;
1,0,0;
1,0,1;
1,1,0;
0,0,1;
0,1,0;
0,1,1;
1,1,1]%将两类样本整合在一起，每一行代表一个样例
[m,n]=size(X); %计算矩阵的行m和列n
mv=mean(X); %计算各变量的均值
st=std(X); %计算各变量的标准差
X=(X-repmat(mv,m,1))./repmat(st,m,1); %标准化矩阵X
R1=cov(X); %协方差矩阵
[V,D]=eig(R); %计算矩阵R的特征向量矩阵V和特征值矩阵D,特征值由小到大
min = realmax %最大浮点数
r = -1
for k = 1:n
if(D(k,k) < min)
min = D(k,k)
r = k %找到最小方差所在的维度
V(:,(r:r)) = [] %将特征值对应的特征向量删除
S = X*V %将原样本集多余维度删除
%结果记录：
S =
（2）基本等同上方程序
结果记录：
S=
六、（灰度矩阵）
%MATLAB代码
I = [
2,1,2,0,1;
0,2,1,1,2;
0,1,2,2,0;
1,2,2,0,1;
2,0,1,0,1
];
[glcm1, SI1] = graycomatrix(I, 'offset', [0 1],'NumLevels', 3, 'G', [])%角度为0
[glcm2, SI2] = graycomatrix(I, 'offset', [-1 1],'NumLevels', 3, 'G', [])%角度为45
[glcm3, SI3] = graycomatrix(I, 'offset', [-1 0],'NumLevels', 3, 'G', [])%角度为90
[glcm4, SI4] = graycomatrix(I, 'offset', [-1 -1],'NumLevels', 3, 'G', [])%角度为135
%结果为：