主成分分析PCA(Principal Component Analysis)介绍.docVIP

主成分分析PCA 一.K-L变换 K-L变换是Karhunen-Loeve变换的简称，是一种特殊的正交变换。它是建立在统计特性基础上的一种变换，有的文献也称其为霍特林（Hotelling）变换，因为他在1933年最先给出将离散信号变换成一串不相关系数的方法。K-L变换的突出优点是它能去相关性，而且是均方误差（Mean Square Error，MSE）意义下的最佳变换。 下面就简单的介绍一下K-L变换了。 设，随机向量X ∈Rn(n阶列向量)，它的均值向量为mX，则其协方差矩阵可以表示为 Cx= E{(X-mx)*(X-mx)T}?????????????????????? （2.1） Cx是一个n*n阶的实对称阵。 K-L变换定义了一正交变换A ∈Rn*n，将X ∈Rn的向量映射到用Y ∈Rn代表的向量，并且使Y向量中各分量间不相关：Y = A*(X-mx)??????????????????????????????????????????? （2.2） 因为Y的各分量间不相关，则其协方差矩阵Cy为对角阵，即 Cy?= diag(λ1,λ2,...,λn) 而矩阵A总是可以找到的，因为对于实对称阵，总能找到一个正交阵A，使得ACxAT的运算结果为对称阵。K-L变换中，将A的每一行取为Cx的特征向量，并且将这些特征向量按对应的特征值大小进行降序排序，使最大特征值对应的特征向量在A的第一行，而最小特征值对应的特征向量在A的最后一行。而Cy是Cx对角化后的结果，所以两个矩阵的特征值是一致的（λ1,λ2,...,λn）。 这样就可以通过矩阵A实现由随机向量X到随机向量Y的K-L变换了，而由 X = ATY +mx???????????? ? ? ? ? ? ? ? ? ? ? ? ? ? ???（2.3） 就可以实现Y反变换到X。若选择的最大k个特征值对应的k个特征向量，组成k×n的转换矩阵A，则变换后Y降为k维的，则由Y对X的恢复公式如下： X‘ = AKY +mx????????????? ? ? ? ? ? ? ? ? ? ?? ? ???? （2.4） 这时候Cy?= diag(λ1,λ2,...,λk)，X与X’之间的均方误差可以由下式表达： λk+1+.λk+2...+λn??????????????????????????????????????（2.5）?上面我们提到了对于特征值λ是从大到小排序的，那么这时候通过式子2.5可以表明通过选择k个具有最大特征值的特征向量来降低误差。因此，从可以将向量X和它的近似X‘之间的均方误差降至最小这方面来说，K-L变换是最佳变换。 在二十世纪九十年代初，Kirby和Sirovich开始讨论利用PCA技术进行人脸图像的最优表示问题。并且由M.Turk和A.Pentland将此技术用于人脸识别中，并称为特征脸方法。M.Turk和A.Pentland将m×n的人脸图像，重新排列为m *n维的列向量。则所有的训练图像经此变换后得到一组列向量：{ xi?}，xi∈Rm*n，其中N代表训练样本集中图像的个数。将图像看成一随机列向量，并通过训练样本对其均值向量和协方差矩阵进行估计。 均值向量μ通过下式估计：μ = (1/N)*((x1+x2+...+xN)??????????????????????? （3.1）协方差矩阵 ST??= E{(xi-u)*(xi-u)T}? = XXT?????????????? （3.2） 其中X’ = [x1-μ, x2-μ,...., xN-μ] 则将投影变换矩阵A取为ST的前k个最大特征值对应的特征向量。利用K-L变换式对原图像进行去相关并降维： Y = AK*(X-mx)????????????????????????????????????????? （3.3） 因为ST?=XXT，而X‘为（m*n）*N矩阵，但是因为X’为N阶矩阵，所以ST的秩最大为N-1，这样只要计算出ST的特征向量就可以计算出K-L变换矩阵了。 但是因为ST是（m*n）*(m*n)阶的矩阵，所以计算它的特征向量比较复杂，这里使用了一个技巧： XTXvi=δivi??????????????????????????????????????????????? 3.4） (XXT)(Xvi)=δi(Xvi) ?????????????????????????????????? （3.5） 根据式子3.4与3.5可以看出，只要计算出XTX的特征值和特征向量δi与vi，然后就可以计算出XXT的?特征值和特征向量δi与Xvi，而XTX为N*N阶的矩阵，计算起来比较容易，除此以外，也可以使用SVD 三.PCA流程整理 PCA的整个变换过程整理