核主成分分析方法——特征提取，去噪

一个比较好用的特征提取的kpca程序，调试成功，可以用！kpca是一种非线性的特征提取方法！

%% the programm of kpca   the kernel is  polynomial
function [new_datatrans_vec] = KPCA（dataclass_numtrain_numnew_dimd）       %d:the degree of the polynomial kernal
[dimdata_num] = size（data）;
data_num_perclass = data_num/class_num;
for class_mark = 1:class_num
    train_data（:（class_mark-1）*train_num+（1:train_num）） = data（:（class_mark-1）*data_num_perclass+（1:train_num））;  %receive the train data
end
train_data_num = train_num*class_num;

%---------------calculate  the K  matrix-----------------
for train_data_mark = 1:train_data_num
    for train_data_mark2 = 1:train_data_num
    K（train_data_marktrain_data_mark2） = （train_data（:train_data_mark）‘*train_data（:train_data_mark2））^d; 
    end
end
unit_1 = ones（train_data_numtrain_data_num）/train_data_num;
K_norm = K - unit_1*K - K*unit_1 + unit_1*K*unit_1;   % centralize the K matrix
%-----------use KPCA --------------
[vecval] = eig（K_norm）;
val = diag（val）;
[sort_valindex] = sort（val‘descend‘）;
sort_vec = vec（:index）;
% need_vec = sort_vec（:1:new_dim）;
for vec_mark = 1:new_dim
    trans_vec（:vec_mark） = sort_vec（:vec_mark）/sqrt（sort_val（vec_mark））;   %  normalize the transform vector
end

%------K2 matrix is used for project the data------------
for data_mark = 1:data_num
    for train_data_mark = 1:train_data_num
        K2（data_marktrain_data_mark） = （data（:data_mark）‘*train_data（:train_data_mark））^d;     %calculate the K2  matrix
    end
end
unit_2 = ones（data_numtrain_data_num）/train_data_num;
K2_norm = K2 - unit_2*K - K2*unit_1+ unit_2*K*unit_1;    %centralize the K2  matrix 
new_data = K2_norm*trans_vec;%  project data 
new_data = new_data‘;

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

     文件       1682  2008-12-16 16:47  KPCA.m

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

                 1682                    1