PCA结合马氏距离

PCA结合马氏距离，还要必须大于50个字，凑合吧，主要是PCA 结合马氏距离进行的。

%# function [seloutMDeMD]=nirmahal（datae）
%#
%#  AIM:   利用马氏距离判别方法（Mahalanobis’distance）确定离群点，用于剔除异常样品
%#
%#  INPUT:  data        m×n的矩阵，m个光谱，n个变量
%#          e           马氏距离标准差的权重系数%%%%  参数e=1.5
%# 
%#  OUTPUT: sel         正常样品的编号
%#          out         异常样品的编号
%#          MD          满足方差的累计贡献率要求的主成分数
%#          eMD         马氏距离的阈值
%#
%#  AUTHOR: 王毅 
%#  EMAIL:  wang727yi@hotmail.com
%#  VERSION:1.0 （13/03/2009）


function [seloutMDeMD]=nirmahal（datae）

[mn]=size（data）;

[COEFF] = princomp（data）;%princomp主成分分析  
T=data*COEFF;      % 计算m个样品原始光谱矩阵的得分矩阵

mT=mean（T）;  % 计算m个样品得分矩阵的平均光谱

cT=T-ones（m1）*mT;   % 得分矩阵中心化

M=cT‘*cT./（m-1）;  % 计算马氏矩阵

Minv=inv（M）;  % 求马氏矩阵M的逆矩阵


% 计算m个样品的马氏距离，并画图，可标出离群点
for i=1:m
    MD（i）=sqrt（（T（i:）-mT）*Minv*（T（i:）-mT）‘）;
end


% 利用阈值e判断出m个样品中的奇异样品
mMD=mean（MD）;
sMD=std（MD）;
eMD=mMD+e*sMD;
p=1;
q=1;
for i=1:m
    if MD（i）        sel（p）=i;
        p=p+1;
    else
        out（q）=i;
        q=q+1;
    end
end

num=1:m;          
scatter（numMD‘.‘）% 画图并标出离群点。X和Y是数据向量，以X中数据为横坐标，以Y中数据位纵坐标描绘散点图
xlabel（‘样品编号‘）;
ylabel（‘马氏距离‘）;
hold on 
refline（0eMD）%直线
gname

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        1410  2015-09-17 21:01  PCA结合马氏距离\nirmahal.m
     目录           0  2018-03-06 21:00  PCA结合马氏距离\