模式误别课程中核Fisher鉴别分析方法（KFDA）的matlab程序

提出基于最优分类标准的核学习方法,这个标准类似于线性鉴别分析和核Fisher判别式。并把此算法应用于模糊支持向量机多类分类器设计上,在ORL人脸数据集和Iris数据集上的实验验证了该算法的可行性

【摘要】 目标的自动识别是最有价值的应用需求之一，但它同时也最具挑战性。过去几十年中该课题的研究己经取得了较大的进展，但计算机自动识别技术还远没有达到理想的实际应用需求。自动识别技术涉及到很多方面的研究，如图像的预处理，图像增强、图像分割、特征提取方法和分类器的设计等等，这其中特征提取方法的研究尤为关键。一方面，研究者对特征提取的理论作了较多的探索，力求得出一些针对特定目标的高精度、高效率的特征提取算法与方法。这其中包含PCA方法、Fisher鉴别分析方法，以及以核方法为代表的非线性特征提取方法

采用非公开的图像源或算法的隐写行为具有很强的隐蔽性.在这类对隐写者先验不足的场景下聚类分析更为实用.Ker等人比较不同指标不同配置之后,提出基于MMD指标聚类的隐写者识别方法.然而该方法所用MMD指标只考虑两个类样本中心之间的距离,忽略了样本相对中心点的聚合程度对可分性的影响,因而准确率存在提高的空间.为进一步提高现有隐写聚类分析方法的准确率,该文提出用核Fisher鉴别(KFD)指标计算样本间差异度量的聚类方法.首先,提取PEV274校准特征并归一化.然后,计算KFD指标组成距离矩阵.最后,根