考虑下图表示由两个 1D 传感器获得的实验数据序列（序列的每个点根据各自的传感器读数绘制在 XY 平面上）：

视觉上很明显，已经注册了两种模式。让我们假设通常这两种模式相互干扰，因此通过隔离某些序列段来分离它们并不容易。我通过找到协方差矩阵来尝试经典的主成分分析，然后找到特征值集和相应的特征向量：

白框尺寸表示特征值的大小，框方向表示特征向量的方向。

很明显，PCA 第一个分量稍微偏离了高幅度模式方向，而第二个分量由于低幅度模式原始方向的偏斜而大大偏离。

众所周知，基于特征向量的 PCA 导致主成分的正交基。

是否有其他优雅的方法（或 PCA 派生的方法）来获得主偏斜分量的非正交基？