版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/anpingbo/article/details/79144433
Karhunen-Loveve变换
KL变换用于维数降低，维数降低可以大大降低计算量。KL变换是通过线性变换，将空间映射到另外空间，然后可以在另外空间进行维数裁剪，去掉影响较小的维，从而降低维数。
假设由x映射到y，变换为A，即有
其中R_y就是对角矩阵。然后可通过选择对应最小特征值的向量来作为新的维，从而降低维数。
奇异值分解
奇异值分解被广泛用于矩阵计算，其可以提取矩阵中非零元素，降低矩阵计算量。在模式识别中被用于维数降低，奇异值分解即对于任意矩阵X，其秩为lXn，则存在酋矩阵U和V，
独立成分分析（ICA）
前边的KL变换是为了得到不相关特征，然后在此基础上降低维数，其得到的结果是最优的。而ICA是为了得到独立变量，这个比不相关量要求更加严格。计算ICA可以对PCA进行推广，PCA是要求二次交叉累积量为0，而ICA要求所有高次交叉累积量为0.一般将运算限制在4次就够了。
整个过程为：
通过 KL 变换计算：