fisher鉴别分析FLDAMatlab代码实现

用于特征降维，鉴别分析等多元数据分析的fisher鉴别分析（FLDA）Matlab代码实现。

% Fisherface for Recognition
function [ ProjectedTrainSamplesProjectedTestSamples ]=LDA_zq（TrainSamples TestSamplesClassNum） 

c = ClassNum; % 类别数
ni = 2*size（TrainSamples2）/c;  % 每类样本数
smalle = 10.^（-5）;  % 一个小数字阈值
nitr = ni/2; % 每类一半样本作为训练样本
nite = ni - nitr; % 其余一般作为测试样本
trsize = nitr*c; % 训练样本总数 N
tesize = size（TestSamples2）; % 测试样本总数

x = TrainSamples; 
xm = mean（x2）; 

x = x - repmat（xm1trsize）; % 训练样本及中心化  
    
%%PCA
[w e explain] = pcacov（x‘*x）;
r = length（find（e>smalle））;
w = w（:1:r）; e = e（1:r）; w = x*w*diag（1./sqrt（e））; % SVD方法求解PCA
x0 = w‘*x;    % 将训练样本投影到PCA子空间 这里w 即为W_pca

xt0 = w‘*（TestSamples - repmat（xm1tesize））;  % 同样地，将测试样本投影到PCA子空间         
clear xm;  clear w; clear x;
    
dim = trsize-c;    % Fisherface方法要求将PCA子空间的维数取为N-c
x = x0（1:dim:）; 
xm = mean（x2）; 
Hw = []; mi = []; 
    
%LDA 
for i = 1:c
   xi = x（:（i-1）*nitr+1:i*nitr）; mi（:i） = mean（xi2）;  Hw = [Hwxi-repmat（mi（:i）1nitr）];  clear xi;
end
Sw = Hw*Hw‘;  % 计算类内散布矩阵Sw
clear Hw;
Hb = mi - repmat（xm1c）; Sb = nitr*Hb*Hb‘;       clear Hb; % 计算类间散布矩阵Sb
[w e] = eig（inv（Sw）*Sb）;  % 求解 Sb * w = lamda * Sw * w
e = diag（e）; re = find（imag（e）==0 & real（e）>smalle）;  e = e（re）; w = w（:re）;
[e2 id] = sort（e）; w2 = w（:id）;  e = flipud（e2）; w = fliplr（w2）;       clear e2; clear w2;
r = length（e）; % r 是最终LDA子空间的维数，一般情况下等于c-1
    
xproj0 = w‘*x; % 将训练样本进一步降维到LDA子空间，这里w 即为W_lda
xtproj0 = w‘*xt0（1:dim:）; % 同样地，将测试样本进一步降维到同样的LDA子空间
    
prj = r;     % Dimensionality of the final subspace
xproj = xproj0（1:prj:）;    % 最终被降维后的训练样本
xtproj = xtproj0（1:prj:）;  % 最终被降维后的测试样本

ProjectedTrainSamples=xproj;
ProjectedTestSamples=xtproj;

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       1889  2010-03-25 15:08  LDA_zq.m

----------- ---------  ---------- -----  ----

                 1889                    1