kpca lda mds降维 人脸数据

可运行

function [evectorstrain_kpcatest_kpca] =KPCA（traintest）
rbf_var=10000;
threshold = 90;
patterns=zscore（train）; %训练数据标准化
test_patterns=zscore（test）; %测试数据标准化
train_num=size（patterns1）; %train_num是训练样本的个数
test_num=size（test_patterns1）;%test_num是测试样本的个数
cov_size = train_num; %cov_size是训练样本的个数
for i=1:cov_size
for j=i:cov_size
K（ij） = exp（-norm（patterns（i:）-patterns（j:））^2/rbf_var）; %核函数 rbf_var ？？
K（ji） = K（ij）;
end
end
unit = ones（cov_size cov_size）/cov_size;%cov_size是样本的个数
K_n = K - unit*K - K*unit + unit*K*unit;% 中心化核矩阵
[evectors_1evaltures_1] = eig（K_n/cov_size）;
[xindex]=sort（real（diag（evaltures_1）））; %sort每行按从小到大排序，x为排序后结果，index为索引
evals=flipud（x） ;% flipud函数实现矩阵的上下翻转
index=flipud（index）;
evectors=evectors_1（:index）;
% for i=1:cov_size
% evecs（:i） = evectors（:i）/（sqrt（evectors（:i）））;
% end
train_eigval = 100*cumsum（evals）./sum（evals）;
index = find（train_eigval >threshold）;

train_kpca = zeros（train_num index（1））; %train_num是训练样本的个数
train_kpca=[K_n * evectors（:1:index（1））];
unit_test = ones（test_numcov_size）/cov_size;%cov_size是训练样本的个数
K_test = zeros（test_numcov_size）; %test_num是测试样本的个数， cov_size是训练样本的个数
for i=1:test_num %test_num是测试样本的个数
for j=1:cov_size%cov_size是训练样本的个数
K_test（ij） = exp（-norm（test_patterns（i:）-patterns（j:））^2/rbf_var）;
end
end
K_test_n = K_test - unit_test*K - K_test*unit + unit_test*K*unit;
test_kpca = zeros（test_num index（1））;%test_num是测试样本的个数
test_kpca = [K_test_n * evectors（:1:index（1））];
end

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        1651  2016-12-22 19:10  kpca lda mds降维\KPCA.m
     文件        1454  2016-12-28 15:45  kpca lda mds降维\LDA.m
     文件         800  2016-12-28 16:38  kpca lda mds降维\MDS.m
     文件         898  2017-03-24 16:00  kpca lda mds降维\Main.m
     文件      376589  2016-12-16 17:53  kpca lda mds降维\ORL.mat
     文件         833  2016-12-28 15:49  kpca lda mds降维\PCA.m
     文件         230  2017-03-24 16:00  kpca lda mds降维\tiqu.m
     目录           0  2017-03-24 16:01  kpca lda mds降维\