Matlab 利用PCA输出对角点特征进行神经网络训练

我正在从事一个车辆分类项目，在该项目中，我有一辆特定汽车的N图像，并且每个图像的40拐角/边缘都已被检测并存储在矩阵中，比如

MAT[40x2]

所以我创建了一个

Nx（40x2）

矩阵，比如NMAT

现在我不知道如何使用这个3D矩阵作为

pca（mat）

或

princomp（mat）

函数的输入

然而，我知道什么是pca以及它的计算是如何进行的，但我所不知道的是如何使用它。

那么有人能给我提供一个快速浏览的机会吗

在使用matlab PCA函数和其他一些数据后，PCA还返回特征值、特征向量和主成分。

---

但是，由于神经网络仅将向量而不是矩阵作为输入，那么在使用pca函数检索某些数据后，应该向神经网络提供什么？（我不知道如何使用这些主成分来创建1D特征向量）

您需要

将其重塑为一个2D矩阵，其中包含
N行和80列，因此每个图像都被建模为80维空间中的一个点，您希望降低其维度。从ANN的角度来看，输入是否具有“自然”的二维布局并不重要。ANN不会处理这些信息，因此可以“销毁”

至于问题的第二部分，ANN确实需要一个向量输入，但需要对其中的几个进行训练，因此训练函数很可能需要一个输入矩阵。该矩阵是数据矩阵与根据其相应特征值从
pca
中选择的主成分之间的乘积

这是一个快速、高层次的演练
 所以通过重塑你的意思是我需要将二维坐标数组a=[2,3；4,6；5,9；7,1]转换成新的一维数组Narr=[2,3,4,6,5,9,7,1]？是的。这将是与一个图像相关联的特征向量。重塑是实现这一点的Matlab函数的名称。因此，我现在理解的是，通过这种方式，我得到一个矩阵imageMat[Nx80]，这是我的数据矩阵，我使用Matlab pca函数或其他方法计算其主成分，并将其放入矩阵中，比如compMat[]然后乘以
imageMat*compMat
，创建一个新的矩阵trainMat[]，然后使用此trainMat作为NNYes的输入。imageMat*compMat部分是数据在主分量子空间上的投影。请注意，您需要从compMat中删除一些列，以仅保留与最高特征值相关联的列，以便投影数据位于比原始数据更低的维度空间中。否则，就没有必要计算主成分分析；这只是数据空间坐标的变化。是的，我知道我应该只使用前k个方差最大的主成分，那么有什么方法可以找到k或者它的点击试验类型的方法吗？