2012信号处理的统计分析方法3.pptVIP

  1. 1、本文档共56页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
2012信号处理的统计分析方法3,信号统计分析与处理,信号处理的统计方法,信号分析与处理,统计信号处理,信号分析与处理pdf,随机信号分析与处理,现代通信信号处理方法,统计信号处理基础,信号处理方法

性质3:原始变量 与主成分 之间的相关系数 由于 所以 在解释主成分的成因或第i个变量对第 k个主成分的重要性时,应当根据 其中ei为单位向量第i个分量为1,其余为0 。 则 三、从相关系数矩阵出发求主成分 当各变量的单位不全相同,或单位虽相同,但变量间的数值大小相差较大时,可从相关系数矩阵出发求主成分。 数学变换: 变量Xi的期望 变量Xi的方差 令 对原始变量X进行如下标准化: 则: 由于上面的变换过程,原始变量X1,X2,... ,Xp的相关阵实际上就是对原始变量标准化后的协方差矩阵。 因此,由相关系数矩阵出发求主成分的过程与主成分个数确定准则实际上与由协方差矩阵出发求主成分的过程与主成分个数的确定准则是相一致的 。 说明 当协方差矩阵Σ未知时,可用其估计值S(样本协方差矩阵)来代替。 在实际研究工作中,总体协方差阵Σ与相关阵R通常是未知的,因此需要通过样本数据来估计。 其主成分具有的性质可概括为: 四、样本主成分 设有n个样品,每个样品有p个指标,这样共有np个数据。原始数据资料矩阵为: 作为总体协方差阵Σ的无偏估计 样本协方差矩阵为:S=(sij) (i =1, …, p) 样本相关矩阵为:R=(rij) 为总体相关矩阵的估计 由前面的讨论已知,若原始资料阵X是经过标准化处理的,则由矩阵X求得的协方差阵就是相关矩阵,即S与R完全相同。 实际应用时,往往各指标的量纲不同,所以在计算前先消除量纲的影响,而将原始数据标准化,则S与R相同。因此一般求R的特征根和特征向量,并且不妨取 特征根相差n倍,但特征向量不变,并不影响求主成分 3.4 计算步骤 1. 将原始数据进行标准化处理; 为方便说明,现设矩阵X已标准化了。 不妨设R=X’X 2. 计算相关系数矩阵; R=(rij)p×p 3. 求R的特征值和特征向量; 若能通过正交变换Q使 则 即为R的p个特征值。 不妨设 则Q的各列 即为 所对应的正则化特征向量。 4. 建立主成分。 按累计方差贡献率 (或80%)的准则,确定m,从而建立前m个主成分: 3.5 讨论与说明 1)关于从协方差阵或相关系数阵出发求解主成分: 在实际分析过程中,从协方差矩阵出发与从相关系数矩阵出发求主成分的过程是一致的,但是求得的主成分一般来说是有差别的,而且这种差别有时候还很大。 例: 某一经济问题涉及两个指标:产值(百万元计)和利税(万元计)。 原始资料矩阵为: 协方差阵: 相关系数阵: 从协方差阵出发求解主成分: 特征根:9933.7607;49.9343 方差贡献率:0.995;0.005 累计贡献率:0.995;1 相应的标准正交特征向量: 主成分: 第一主成分保留了原始变量99.5%的信息 原始变量Xi与第一主成分Y1之间的相关系数: 由此可知,第一主成分反映了利税指标0.9871的信息,方差较大的利税指标对第一主成分起了主要作用。 从相关阵出发求解主成分: 特征根:1.3257;0.6742 方差贡献率:0.6629;0.3371 累计贡献率:0.6629;1 相应的标准正交特征向量: 主成分: 第一主成分保留了原始变量66.29%的信息 产值指标与利税指标对第一主成分的贡献是相同的,第一主成分分别集中了产值和利税0.8141的信息。 对原始变量转换成同一度量单位再求主成分: 原始资料矩阵变为: 协方差阵变为: 相关系数矩阵没有变化 由此协方差阵出发重新求解主成分: 特征根:560020.348;8857.452 方差贡献率:0.9844;0.0156 累计贡献率:0.9844;1 相应的标准正交特征向量: 第一主成分保留了原始变量98.44%的信息 主成分: 由此可知,第一主成分保留原始变量的信息及主成分与原始变量的关系均与前两种情况有很大差别。 在处理实际问题时面临着选择由协方差阵出发求解主成分还是由相关系数矩阵出发求解主成分的问题。 对于度量单位不同的指标或度量单位虽然相同,但其取值范围彼此差异较大,我们并不直接由其协方差阵出发进行主成分分析,而应将原始数据进行标准化;对同度量或是取值范围在同量级的数据,还是直接从协方差矩阵求解主成分为好。 2)主成分分析不要求数据来自正态总体 对多元随机变量而言,其协方差阵和其相关系数矩阵均是非负定阵,这样就可以按照求解主成分的步骤求

您可能关注的文档

文档评论(0)

mydoc + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档