PCA基本流程：
1、训练集矩阵算协方差矩阵A;
2、算协方差矩阵特征值与特征向量;
3、按特征值的大小排列特征矩阵，得B，对应的特征值（按从大到小排列）组成向量a;
4、A*B得到去关联的新矩阵C，A与C的对应位置物理意义相同（指样本维度和样本数），但是去掉了关联，并且按特征贡献度大小排列;
5、选贡献度百分比或降维后的维度。例如百分之90，则是取满足sum（a(1:n)）/sum(a)>90%的最小的n；如果直接定降维后的维度，则直接设置个n;
6、任一样本的降维公式相同，对于样本x：x*B(1:n,:)。
原理说明：
步骤3,4本质上是基变换原理。4可以去关联的原理与马氏距离相仿。贡献度的原理与协方差矩阵的数学意义相关。转换矩阵相关的计算必须在训练集上完成是因为协方差矩阵的计算需要一个样本集，如将测试集样本加入这个样本集，则训练集中已经包含了测试集信息（例如某一维特征的均值）。
matlab函数说明：
[coeff,score,latent,tsquare] = pca(feature);%我们这里需要他的pc和latent值做分析
feature是被降维的特征,每一行是一个特征,列数代表总的特征个数,比如一个图片的HOG特征是96维,总共有8000个HOG特征,那么feature的维度是8000×96,我们的目标就是将其降维(假设将96维降到50维,)那么我们期望的降维后feature就变成了我们需要的feature_after_PCA:8000×50
coeff：步骤3算出来的矩阵B，本质上是一个基变换矩阵。数学意义是协方差矩阵按特征值的大小排列的特征矩阵。
score：步骤4算出来的矩阵C，与A同维同物理意义。
latent：步骤3算出来的向量a，存储了贡献度，数学意义是协方差矩阵特征值从大到小排列。
用途：
根据latent计算满足某贡献度所需的样本维度，或直接定一个样本维度，然后feature*coeff(1:n,:)降维。把训练集中所有样本计算feature*coeff就是score，当然，feature*coeff(1:n,:)这个式子更大的用途是计算测试集中的样本。
重点！！！
pca内建函数在算协方差的时候先减了个样本均值，所以这里feature*coeff不是score,需要先算:
x0 = bsxfun(@minus,feature,mean(feature,1));
然后x0*coeff才是score。
参考原文：matlab_PCA，训练集与测试集分开，原理和用法