数字水印毕业设计.ppt

维度规约;在模式识别中，一个常见的问题就是特征选择或特征提取，在理论上我们要选择与原始数据空间具有相同的维数。然而，我们希望设计一种变换使得数据集由维数较少的“有效”特征来表示。;主成分分析; 主成分分析（PCA）;一、主成分的定义及导出;;同时我们还得到 为了使方差最大，选择具有最大特征值的特征向量 ，因此，第一个主成分 是输入样本的协方差阵的具有最大特征值对应的特征向量 ;;;;;;在实践中，即使所有的特征值都大于0，我们知道，某些特征值对方差的影响很小，并且可以丢失，因此，我们考虑例如贡献90%以上方差的前k个主要成分，当 降序排列时，由前k个主要成分贡献的方差比例为 ;;总方差中属于主成分 的比例为 称为主成分 的贡献率。 第一主成分 的贡献率最大，表明它解释原始变量 ??能力最强，而 的解释能力依次递减。 主成分分析的目的就是为了减少变量的个数，因而一般是不会使用所有 主成分的，忽略一些带有较小方差的主成分将不会给总方差带来大的影响。 ;;主成分分析的应用;如果原始变量之间具有较高的相关性，则前面少数几个主成分的累计贡献率通常就能达到一个较高水平，也就是说，此时的累计贡献率通常较易得到满足。 主成分分析的困难之处主