对orl人脸图像集利用主成分分析和最近邻法进行分类，其中每个人脸图像有10幅，共40人，总共400幅，每幅图像的大小为46x56。实验中将每类纹理图像样本按数量随机等分成两部分，其中一部分作为训练样本集，另外一部分作为测试样本集，按照这种方式运行10 次，对识别结果求平均识别正确率。观察不同的维数对识别正确率的影响。写份matlab代码

好的，以下是基于MATLAB的代码实现：

% 加载ORL人脸数据集
data = zeros(400, 46*56);
label = zeros(400, 1);
for i = 1:40
    for j = 1:10
        img = load(sprintf('orl/s%d/%d.txt', i, j))';
        data((i-1)*10+j,:) = img;
        label((i-1)*10+j) = i;
    end
end

% 定义降维维数范围
num_dims = [10, 20, 30, 40, 50, 60, 70, 80, 90, 100];

% 定义正确率列表
accuracies = [];

% 进行10次实验
for i = 1:10
    % 将每个人的图像样本分为训练集和测试集
    train_data = zeros(200, 46*56);
    test_data = zeros(200, 46*56);
    train_label = zeros(200, 1);
    test_label = zeros(200, 1);
    for j = 1:40
        indices = randperm(10);
        train_indices = indices(1:5);
        test_indices = indices(6:10);
        train_data((j-1)*5+1:j*5,:) = data((j-1)*10+train_indices,:);
        test_data((j-1)*5+1:j*5,:) = data((j-1)*10+test_indices,:);
        train_label((j-1)*5+1:j*5) = label((j-1)*10+train_indices);
        test_label((j-1)*5+1:j*5) = label((j-1)*10+test_indices);
    end

    % 使用PCA进行降维
    [pca_train_data, ~, pca_latent] = pca(train_data);

    % 计算不同维数下的正确率
    for j = 1:numel(num_dims)
        % 使用降维后的训练数据训练KNN分类器
        knn = fitcknn(pca_train_data(:,1:num_dims(j)), train_label, 'NumNeighbors', 1);
        
        % 使用降维后的测试数据进行测试
        pca_test_data = bsxfun(@minus, test_data, mean(train_data)) * pca_latent(:,1:num_dims(j));
        pred_label = predict(knn, pca_test_data);
        
        % 计算正确率
        accuracy = sum(pred_label == test_label) / numel(test_label);
        accuracies(end+1) = accuracy;
    end
end

% 计算平均正确率
mean_accuracy = mean(accuracies);

% 输出结果
fprintf('平均正确率：%.2f%%\n', mean_accuracy*100);

同样，代码中的`orl`文件夹需要事先准备好，并且存放ORL人脸数据集。此外，代码中使用了MATLAB自带的`pca`函数和`fitcknn`函数。