我在两个不同的时间点测量了 4 台设备。测量基本上由对应于相应位置的位值的 1 和 0 数组组成：

whos measurement1_dev1_time1

Name                         Size               Bytes  Class      Attributes

measurement1_dev1_time1      4096x8             32768  logical

我假设对于特定设备，测量时间 1 和 2 之间的变化是唯一的。但是，由于我在不同位置处理 32768 位，因此很难想象是否存在某种依赖关系。

由于位置的每一位都x可以被视为观察的一个维度，我认为使用 PCA 来减少维度的数量。

因此，对于 5 个设备中的每一个：

1. 我随机抽样n测量点t1和t2分开
2. pca()我准备了一个数组作为m*n 列的输入（m< 32768；它是所有观察到的位的子集，因为原始数据对于 pca 可能太大）和 4 行（每个设备一行）。
3. 在这个数组上A，我计算 pca：`[coeff score latent] = pca(zscore(A))```
4. 然后我尝试使用以下方法将其可视化biplot：biplot(coeff(:,1:2), 'score', score(:,1:2))

然而，这给了我非常奇怪的结果。也许 PCA 不是解决这个问题的正确方法？我还修改了输入数据以不在逻辑位数组本身上执行 PCA。相反，我创建了一个向量，它保存原始测量数组中存在“1”的索引。这也会产生奇怪的结果。

由于我对 PCA 完全陌生，我想问您是否发现过程中存在缺陷，或者 PCA 是否不是我目标的正确方法，我最好寻找其他降维方法或聚类算法。