matla特征降维搜索算法，sfs,sffs等搜索算法

function y = pca(mixedsig,d) %程序说明：y = pca(mixedsig)，程序中mixedsig为 n*T 阶混合数据矩阵，n为信号个数，T为采样点数 % y为 m*T 阶主分量矩阵。 % n是维数，T是样本数。 tic; if nargin == 0 error('You must supply the mixed data as input argument.'); end if length(size(mixedsig))>2 error('Input data can not have more than two dimensions. '); end if any(any(isnan(mixedsig))) error('Input data contains NaN''s.'); end %——————————————去均值———————————— meanValue = mean(mixedsig')'; [m,n] = size(mixedsig); %mixedsig = mixedsig - meanValue*ones(1,size(meanValue)); %当数据本身维数很大时容易出现Out of memory for s = 1:m for t = 1:n mixedsig(s,t) = mixedsig(s,t) - meanValue(s); end end [Dim,NumofSampl] = size(mixedsig); oldDimension = Dim; fprintf('Number of signals: %d\n',Dim); fprintf('Number of samples: %d\n',NumofSampl); fprintf('Calculate PCA...'); firstEig = 1; lastEig = Dim; covarianceMatrix = corrcoef(mixedsig'); %计算协方差矩阵 [E,D] = eig(covarianceMatrix); %计算协方差矩阵的特征值和特征向量 %———计算协方差矩阵的特征值大于阈值的个数lastEig——— %rankTolerance = 1; %maxLastEig = sum(diag(D) >= rankTolerance); %lastEig = maxLastEig; lastEig = d; %——————————降序排列特征值—————————— eigenvalues = flipud(sort(diag(D))); %—————————去掉较小的特征值—————————— if lastEig < oldDimension lowerLimitValue = (eigenvalues(lastEig) + eigenvalues(lastEig + 1))/2; else lowerLimitValue = eigenvalues(oldDimension) - 1; end lowerColumns = diag(D) > lowerLimitValue; %—————去掉较大的特征值(一般没有这一步)—————— if firstEig > 1 higherLimitValue = (eigenvalues(firstEig - 1) + eigenvalues(firstEig))/2; else higherLimitValue = eigenvalues(1) + 1; end higherColumns = diag(D) < higherLimitValue; %—————————合并选择的特征值—————————— selectedColumns =lowerColumns & higherColumns; %—————————输出处理的结果信息————————— fprintf('Selected [%d] dimensions.\n',sum(selectedColumns)); fprintf('Smallest remaining (non-zero) eigenvalue[ %g ]\n',eigenvalues(lastEig)); fprintf('Largest remaining (non-zero) eigenvalue[ %g ]\n',eigenvalues(firstEig)); fprintf('Sum of removed eigenvalue[ %g ]\n',sum(diag(D) .* (~selectedColumns))); %———————选择相应的特征值和特征向量——————— E = selcol(E,selectedColumns); D = selcol(selcol(D,selectedColumns)',selectedColumns); %——————————计算白化矩阵——————————— whiteningMatrix = inv(sqrt(D)) * E'; dewhiteningMatrix = E * sqrt(D); %——————————提取主分量———————————— y = whiteningMatrix * mixedsig; toc; % function y = pca(mixedsig,weishu) % clear; % clc; % %程序说明：y = pca(mixedsig)，程序中mixedsig为 n*T 阶混合数据矩阵，n为信号个数，T为采样点数 % % y为 m*T 阶主分量矩阵。 % % n是维数，T是样本数。 % if nargin == 0 % error('You must supply the mixed data as input argument.'); % end % if length(size(mixedsig))>2 % error('Input data can not have more than two dimensions. '); % end % if any(any(isnan(mixedsig))) % error('Input data contains NaN''s.'); % end % % %——————————————去均值———————————— % meanValue = mean(mixedsig')'; % [m,n] = size(mixedsig); % %mixedsig = mixedsig - meanValue*ones(1,size(meanValue)); %当数据本身维数很大时容易出现Out of memory % for s = 1:m % for t = 1:n % mixedsig(s,t) = mixedsig(s,t) - meanValue(s); % end % end % [Dim,NumofSampl] = size(mixedsig); % oldDimension = Dim; % fprintf('Number of signals: %d\n',Dim); % fprintf('Number of samples: %d\n',NumofSampl); % fprintf('Calculate PCA...'); % firstEig = 1; % lastEig = Dim; % covarianceMatrix = corrcoef(mixedsig'); %计算协方差矩阵 % [E,D] = eig(covarianceMatrix); %计算协方差矩阵的特征值和特征向量 % % %———计算协方差矩阵的特征值大于阈值的个数lastEig——— % %rankTolerance = 1; % %maxLastEig = sum(diag(D) >= rankTolerance); % %lastEig = maxLastEig; % lastEig = weishu; %取值可以自由取定by Sarah Dora % % %——————————降序排列特征值—————————— % eigenvalues = flipud(sort(diag(D))); % % %—————————去掉较小的特征值—————————— % if lastEig < oldDimension % lowerLimitValue = (eigenvalues(lastEig) + eigenvalues(lastEig + 1))/2; % else % lowerLimitValue = eigenvalues(oldDimension) - 1; % end % lowerColumns = diag(D) > lowerLimitValue; % % %—————去掉较大的特征值(一般没有这一步)—————— % if firstEig > 1 % higherLimitValue = (eigenvalues(firstEig - 1) + eigenvalues(firstEig))/2; % else % higherLimitValue = eigenvalues(1) + 1; % end % higherColumns = diag(D) < higherLimitValue; % % %—————————合并选择的特征值—————————— % selectedColumns =lowerColumns & higherColumns; % % %—————————输出处理的结果信息————————— % fprintf('Selected [%d] dimensions.\n',sum(selectedColumns)); % fprintf('Smallest remaining (non-zero) eigenvalue[ %g ]\n',eigenvalues(lastEig)); % fprintf('Largest remaining (non-zero) eigenvalue[ %g ]\n',eigenvalues(firstEig)); % fprintf('Sum of removed eigenvalue[ %g ]\n',sum(diag(D) .* (~selectedColumns))); % % %———————选择相应的特征值和特征向量——————— % E = selcol(E,selectedColumns); % D = selcol(selcol(D,selectedColumns)',selectedColumns); % % %——————————计算白化矩阵——————————— % whiteningMatrix = inv(sqrt(D)) * E'; % dewhiteningMatrix = E * sqrt(D); % % %——————————提取主分量———————————— % y = whiteningMatrix * mixedsig; % % hap=y(:,1:50); % % sad=y(:,51:100); % % sur=y(:,101:150); % % ang=y(:,151:200); % % fea=y(:,201:250); % % dis=y(:,251:300); % % % hap=[y(:,1:50),y(:,301:350),y(:,601:650),y(:,901:950),y(:,1201:1250),y(:,1501:1550)]; % % % sad=[y(:,51:100),y(:,351:400),y(:,651:700),y(:,951:1000),y(:,1251:1300),y(:,1551:1600)]; % % % sur=[y(:,101:150),y(:,401:450),y(:,701:750),y(:,1001:1050),y(:,1301:1350),y(:,1601:1650)]; % % % ang=[y(:,151:200),y(:,451:500),y(:,751:800),y(:,1051:1100),y(:,1351:1400),y(:,1651:1700)]; % % % fea=[y(:,201:250),y(:,501:550),y(:,801:850),y(:,1101:1150),y(:,1401:1450),y(:,1701:1750)]; % % % dis=[y(:,251:300),y(:,551:600),y(:,851:900),y(:,1151:1200),y(:,1451:1500),y(:,1751:1800)]; % % % plot3(hap(1,:),hap(2,:),hap(3,:),'b.',sad(1,:),sad(2,:),sad(3,:),'gx',sur(1,:),sur(2,:),sur(3,:),'r+',... % % % ang(1,:),ang(2,:),ang(3,:),'c*',fea(1,:),fea(2,:),fea(3,:),'mv',dis(1,:),dis(2,:),dis(3,:),'yp'); % % for i=1:50 % % hap(:,i)=hap(:,i)./max(abs(hap),[],2); % % end % % for i=1:50 % % sad(:,i)=sad(:,i)./max(abs(sad),[],2); % % end % % for i=1:50 % % sur(:,i)=sur(:,i)./max(abs(sur),[],2); % % end % % for i=1:50 % % ang(:,i)=ang(:,i)./max(abs(ang),[],2); % % end % % for i=1:50 % % fea(:,i)=fea(:,i)./max(abs(fea),[],2); % % end % % for i=1:50 % % dis(:,i)=dis(:,i)./max(abs(dis),[],2); % % end % % % plot(hap(1,:),hap(2,:),'b.',sad(1,:),sad(2,:),'gx',sur(1,:),sur(2,:),'r+',... % % % ang(1,:),ang(2,:),'c*',fea(1,:),fea(2,:),'mv',dis(1,:),dis(2,:),'yp'); % % % %