PCA（主成分分析）算法被广泛应用于工程和科学研究中，本报告主要从PCA的基本结构和基本原理对其进行研究，常规的PCA算法主要采用线性算法，通过研究论证发现线性的PCA算法存在着许多不足，比如线性PCA算法不能从线性组合中把独立信号成分分离出来，主分量只由数据的二阶统计量—自相关阵确定，这种二阶统计量只能描述平稳的高斯分布等，因此必须对其进行改进，经改进后的PCA算法有非线性PCA算法、鲁棒算法等。我们通过PCA算法在直线（平面）中拟和的例子说明了PCA在工程中的应用。本例子采用的是成分分析中的

用来产生均匀分布或高斯分布的伪随机数 （近似白噪声），它们可具有不同的均值和方差。用REMEZ算法求交错点组。用Cholesky分解求ARMA模型的参数并作谱估计。求MA模型的参数 并估计功率谱。 用最小方差法估计序列 的功率谱。-used to produce uniform or Gaussian distribution of the pseudo-random number (similar to white noise). They may have a different mean

K-MEANS算法: k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。 k-means 算法的工作过程说明如下：首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再