主成分分析（PCA）是一种数据降维算法。白化主要是降低输入特征的冗余性。

假设X 是m*n的矩阵，由n个样本（m维特征）组成。现要对X 进行线性变换为另一个矩阵Y，使得Y消除了X各特征的相关性，即Y的协方差矩阵为对角矩阵。

X变换到Y的线性变换公式为:

　　Y=PX    （1）

则，

YY’=PX(PX)’=PXX’P’   （2）

对XX’进行特征值分解，则

XX’=QDQ^-1              （3）

(Q为XX’的特征矩阵，D为特征值对角矩阵)

然而（XX’）’=XX’,则

XX’是对称矩阵,且Q为正交矩阵，即Q’= Q^-1，或者QQ’=E

综合：

YY’=PQDQ’P’=PQD(PQ)’

If P=Q^-1，

PQ=E

则 YY’=D

总之，

Y=Q^-1X=Q’X

如果对Y进行白化操作，则Y的协方差矩阵就为单位矩阵。

例如，特征值λ₁ ，λ₂…λ_n , 白化操作即相当1/λ_i  (i=1-n).

参考：

1. UFLDL之PCA

2. UFLDL之ZCA

3. 协方差矩阵 以及 百科协方差

4. 特征值分解

5. tornadomeet之PCA(简单，清晰)