function [v,s,e]=princa(x)
[m,n]=size(x); %計算矩陣的行m和列n
%-------------第一步：標準化矩陣-----------------%
mv=mean(x); %計算各變數的均值
st=std(x); %計算各變數的標準差
x=(x-repmat(mv,m,1))./repmat(st,m,1); %標準化矩陣x
%-------------第二步：計算相關係數矩陣-----------------%
% r1=x'*x/(m-1); %方法一：協方差矩陣計算公式
% r2=cov(x); %方法二：協方差矩陣計算函式
r=corrcoef(x); %方法三：相關係數矩陣函式
%-------------第三步：計算特徵向量和特徵值-----------------%
[v,d]=eig(r); %計算矩陣r的特徵向量矩陣v和特徵值矩陣d,特徵值由小到大
v=(rot90(v))'; %將特徵向量矩陣v從大到小排序
d=rot90(rot90(d)); %將特徵值矩陣由大到小排序
e=diag(d); %將特徵值矩陣轉換為特徵值向量
%-------------第四步：計算貢獻率和累計貢獻率-----------------%
ratio=0; %累計貢獻率
fork=1:n
r=e(k)/sum(e); %第k主成份貢獻率
ratio=ratio+r; %累計貢獻率
if(ratio>=0.9) %取累計貢獻率大於等於90%的主成分
break;
end
end
%-------------第五步：計算得分-----------------%
s=x*v;
如果要求主成分分析，用matlab自帶乙個的函式（princomp）就行。princomp呼叫如下：
[coeff,score,latent,tsquare] = princomp(zscore(x))
zscore(x)是對矩陣x進行標準化操作。
coeff是x矩陣所對應的協方差陣的所有特徵向量組成的矩陣，即變換矩陣或稱投影矩陣，每列對應乙個特徵值的特徵向量，列的排列順序是按特徵值的大小遞減排序
相當於上面程式中的v，它表示的是主成分的係數。
score是對主成分的打分，也就是說原x矩陣在主成分空間的表示。每行對應樣本觀測值，每列對應乙個主成份(變數)，它的行和列的數目和x的行列數目相同。(相當於上面程式中的s）
latent是乙個向量，它是x所對應的協方差矩陣的特徵值向量。 (相當於程式中的e）
特徵值與分數之間的關係：latent=diag(cov(score));
tsquare是表示對每個樣本點hotelling的t方統計量
計算pca的時候，如果直接有現成的協方差陣，用函式pcacov來計算。
主成分分析PCA在matlab中實現的展示
by yang liu a 1,2,3,4,5,6,7,8,9,10 1.2,2.5,3.6,98,65,5,6,4,5,4 88,99,66,55,44,11,22,33,66,55 7,8,96,5,4,5,6,5,4,556 1,2,5,4,8,96,3,2,1,1 輸入所要分析的資料，其中行...
PCA演算法學習 2 PCA理論的matlab實現
本文 前言 在前面的博文pca演算法學習 1 opencv中pca實現人臉降維 中已經初步介紹了pca演算法的大概流程及在人臉降維上面的應用。本文就進一步介紹下其理論基礎和matlab的實現 也是網上學者的 開發環境 matlab2012a 基礎 假設x是乙個m n的矩陣，是由樣本資料構成的矩陣。其...
PCA演算法學習 2 PCA理論的matlab實現
pca演算法學習 2 pca理論的matlab實現 前言 在前面的博文 pca演算法學習 1 opencv中pca實現人臉降維 中已經初步介紹了pca演算法的大概流程及在人臉降維上面的應用。本文就進一步介紹下其理論基礎和matlab的實現 也是網上學者的 開發環境 matlab2012a 基礎 假設...