第一主成分对应的方差是协方差矩阵的最大特征值，第二主成分对应的方差是协方差矩阵第二大特征值，以此类推。真实采集数据的协方差矩阵的特征值通常会急剧下降，因此通常可以设置一个阈值来划分特征值。这个阈值决定了多少主成分被选取。
原向量可以划分到两个空间中，分别是信号子空间和噪声子空间。所以协方差矩阵可以表示为：
CKC算法中的噪声阈值之前计算一直存在问题，文章说选取最小的特征值作为噪声方差，但是根本筛选不掉噪声。后来阅读的时候发现eigenvalue后面加了个s，查阅了书籍发现，对原始信号进行主成分分析，取方差最大的方向作为第一主成分，对协方差矩阵进行特征值分解的时候，最大的特征值就是第一主成分的方差，第二大的特征值是第二主成分的方差，依此类推。当进行到第几个主成分的时候依然是有效信号呢？《Independent Component Analysis (Aapo Hyvarinen)》中说，高斯噪声是各向同性的，也就是说噪声在各个方向上的方差是一样的，所以当特征值小到一定程度的时候，会保持不变，这个时候就是噪声，把这些特征值加起来就得到了噪声阈值对应的方差。在处理实际测量数据时，协方差矩阵的特征值序列通常会急剧下降。这意味着随着特征值的编号增加，其数值会越来越小。可以设定一个阈值，低于该阈值的特征值对应的主成分（Principal Components）贡献相对较小，对数据集的解释力或压缩效果不显著。因此，这个阈值就决定了我们应该保留多少个主成分用于后续的数据分析、降维或其他处理过程。