A. matlab pca函數怎麼用
princomp-----函數名稱，主要有一下集中調用形式：
[COEFF,SCORE] = princomp(X)
[COEFF,SCORE,latent] = princomp(X)
[COEFF,SCORE,latent,tsquare] = princomp(X)
[...] = princomp(X,'econ')
coeff矩陣是返回的轉換矩陣，也就是把樣本轉換到新的空間中的准換矩陣，這個准換矩陣式比較大的，比如你的降維矩陣式30*100000，那麼這個准換矩陣一般都是10000*29的維數。
score是原來的樣本矩陣在新的坐標系中的表示，也就是原來的樣本乘上轉換矩陣，但是還不是直接乘，要減去一個樣本的均值。將原來的數據轉換到新的樣本空間中的演算法是這樣實現的：
x0 = bsxfun(@minus,x,mean(x,1));
score = x0 * coeff;
然後就會得到和[COEFF, SCORE, LATENT, TSQUARED] = PRINCOMP(X) 輸出一樣的score數據。 同時這個也是原來的樣本矩陣降維後的結果，如果使用降維後的數據就使用這個數據。一般情況下，如果你的每個樣本的特徵維數遠遠大於樣本數，比如30*1000000的維數,princomp要加上'econ', 就是princomp(x,'econ')這樣使用，可以很大程度的加快計算速度，而且不會內存溢出，否則會經常報內存溢出。
latent是返回的按降序排列的特徵值，根據這個你可以手動的選擇降維以後的數據要選擇前多少列
tsquared是個什麼東西我也不知道，不過貌似很少有人能用到
B. PCA在MATLAB里的實現代碼
依照你的x0初始化來看，第一行對應一個變數（比如a）,第二行對應另一個變數（如b）。這樣x0其實就是[a1,a2,a3,...;b1,b2,b3,...]，每一次測量代表觀測一次[a,b]。也就是說你的參數空間是2維的，x0每一列代表一次測量結果。而matlab cov(x)函數，x的每一行代表一次測量結果。因此輸入cov函數時需要一個轉置。之後你得到兩個特徵根和特徵向量，這兩個特徵向量張成2維空間。
如果用x0, 就相當於你的變數有5個a,b,c,d,e. 觀測了兩次得到樣本[a1,b1,c1,d1,e1;a2,b2,c2,d2,e2]。這時你的主成分是5維的，在5維參數空間，兩次觀測就是兩個點，這兩個點只能畫一條直線，它對應唯一一個非0本徵值，其餘本徵值都是0.
C. 用matlab怎麼做pca分析
主成分分析嗎？
matlab提供了pca函數
D. matlab中PCA的人臉識別，最後得出的識別率是什麼意思啊！
識別率指的是通過人臉識別技術識別正確數占識別總數的百分比。
人臉識別演算法分類
基於人臉特徵點的識別演算法（Feature-based recognition algorithms）。
基於整幅人臉圖像的識別演算法（Appearance-based recognition algorithms）。
基於模板的識別演算法（Template-based recognition algorithms）。
利用神經網路進行識別的演算法（Recognition algorithms using neural network）。
神經網路識別
基於光照估計模型理論
提出了基於Gamma灰度矯正的光照預處理方法,並且在光照估計模型的基礎上，進行相應的光照補償和光照平衡策略。
優化的形變統計校正理論
基於統計形變的校正理論，優化人臉姿態；
強化迭代理論
強化迭代理論是對DLFA人臉檢測演算法的有效擴展；
獨創的實時特徵識別理論
該理論側重於人臉實時數據的中間值處理，從而可以在識別速率和識別效能之間，達到最佳的匹配效果
E. matlab中pca
1，4 matlab是有幫助文檔的，我沒有明白你所指的去中心化處理是什麼，PCA的結果在數組自己的維度。
以下是幫助文檔，請仔細閱讀
coeff = pca(X) returns the principal component coefficients, also known as loadings, for the n-by-p data matrix X. Rows of X correspond to observations and columns correspond to variables. The coefficient matrix is p-by-p. Each column of coeffcontains coefficients for one principal component, and the columns are in descending order of component variance. By default, pca centers the data and uses the singular value decomposition (SVD) algorithm.
example
coeff = pca(X,Name,Value) returns any of the output arguments in the previous syntaxes using additional options for computation and handling of special data types, specified by one or more Name,Value pair arguments.
For example, you can specify the number of principal components pca returns or an algorithm other than SVD to use.
example
[coeff,score,latent] = pca(___) also returns the principal component scores in score and the principal component variances in latent. You can use any of the input arguments in the previous syntaxes.
Principal component scores are the representations of X in the principal component space. Rows of score correspond to observations, and columns correspond to components.
The principal component variances are the eigenvalues of the covariance matrix of X.
example
[coeff,score,latent,tsquared] = pca(___) also returns the Hotelling's T-squared statistic for each observation in X.
example
[coeff,score,latent,tsquared,explained,mu] = pca(___) also returns explained, the percentage of the total variance explained by each principal component and mu, the estimated mean of each variable in X.
2. PCA 和SVD的不同是，他們分解矩陣的方式是不同的。我建議你翻看wikipedia裡面SVD和PCA的說明，裡面公式很清晰了
F. matlab中使用快速pca提取特徵
1、參數mA代表A的均值，也就是mean(A)。
其實這個參數完全沒必要，因為可以從參數A計算得到版。
2、解釋一下權你問的兩個語句的含義：
Z=(A-repmat(mA,m,1)); 作用是去除直流成分
T=Z*Z'; 計算協方差矩陣的轉置
3、關於函數的調用：
MATLAB統計工具箱中有函數princomp，也是進行主成分分析的（2012b之後有函數pca），基本調用格式：
[pc,score]=princomp(x)
其中，輸入參數x相當於你這個函數的A，輸出參數score相當於你這里的pcaA，而pc大致相當於你這里的V（符號相反）。具體說明請參考函數的文檔。
G. 如何用matlab實現pca演算法
可以在Matlab的simulink工具中插入"user_design"模塊，把代碼貼進去。然後在模塊的模擬輸入接"Chirp"或"Random Source"源，模擬輸出接"Spectrum Scope"，就能看出效果。
H. 如何畫pca的點圖 matlab
將數據先進行標准化，再進行主成分分析，若提取前3個主成分，可將其作成聚類圖（圖10），從圖10可見，129，131這兩個點遠離其它數據。若將這兩個數據去除
I. matlab pca與princomp結果為什麼不同
MATLAB直接用樣本實現主成分分析用有多種方式，但是mathwork公司推薦(1)式，因為princomp在使用時調用的是pca，兩者的計算結果一樣，而且pca多一項explain，更強大。
[coeff,score,latent,tsquared,explained]= pca(X) (1)
[COEFF,SCORE,latent,tsquare] = princomp(X) (2)
解釋：
X： 就是原始數據，每列是一個變數，每行是一個個案，很方便的。
coeff：就是那個Upp轉化矩陣
score：最後得出的主成分的值，每一列表示一個主成分(按第一主成分到第n主成分個排列)。
latant：是各主成分對應的特徵向量。
tsquare：是Hotelling's T-squared統計量，我這個水平可以不理他。
explained：是只每一個主成分解釋了百分之多少的方差，是一個列向量。
J. 有沒有大神站到用Matlab的PLS工具箱怎麼做主成分分析
1、參數mA代表A的均值，也就是mean(A)。
其實這個參數完全沒必要，因為可以從參數A計算得到。
2、解釋一下你問的兩個語句的含義：
Z=(A-repmat(mA,m,1)); 作用是去除直流成分T=Z*Z'; 計算協方差矩陣的轉置
3、關於函數的調用：
MATLAB統計工具箱中有函數princomp，也是進行主成分分析的（2012b之後有函數pca），基本調用格式：
[pc, score] = princomp(x)其中，輸入參數x相當於你這個函數的A，輸出參數score相當於你這里的pcaA，而pc大致相當於你這里的V（符號相反）。具體說明請參考函數的文檔。