精选优质文档-倾情为你奉上1、工作原理及步骤由于数据拥有过多的指标，且每一个指标对于分析道路分类的贡献率都有所不同，有些贡献率较低的指标产生了噪音与冗余。由此，我们对本文的数据采用PCA主成分分析法来得到每一指标的贡献率，并生成新的较少的主元特征（指标）来进行数据分析。PCA的原理是将原来的样本数据投影到一个新的空间中，相当于将一组矩阵映射道另外的坐标系下。经过映射后的新坐标，去除掉贡献较小的变量，只留下具有最大线性无关组的特征值来对应。其算法核心思想就是将 n 维特征映射到 k 维上（k n），这 k 维是全新的正交特征。我们将这 k 维成为主元，是重新构造出来的 k 维特征，而不是简单地从 n 维特征中取出其余 n-k 维特征。本文采用Matlab软件进行PCA分析。PCA的工作步骤主要分为以下几步：（1）将原始数据中每个样本用一个向量表示，然后把所有样本组合起来构成一个矩阵。为了避免样本的单位的影响，样本集需要标准化,将其归一化处理并减去其列平均值使得每一列平均值为0。将新的数据组成m*n的矩阵X，其中m代表8个样本街道数，n代表9个步行环
