Fisher线性判别分析（LDA）在许多模式识别应用程序中，尤其是在生物识别学习中，通常用于缩小尺寸和提取判别特征。 在推导Fisher的LDA公式时，有一个假设，即类别经验均值等于其期望值。 但是，此假设在实践中可能无效。 在本文中，从“扰动”的角度出发，我们开发了一种称为扰动LDA（P-LDA）的新算法，其中引入了扰动随机向量，以了解费舍尔中类经验均值及其期望值之间的差异的影响。标准。 以Fisher准则进行的这种扰动学习将产生与某些扰动因子集成在一起的类内和类间协方差矩阵的新形式。 此外，