技術(shù)特征：

1.一種基于Fisher分類器組的連續(xù)型數(shù)據(jù)預(yù)處理方法，其特征在于，該基于Fisher分類器組的連續(xù)型數(shù)據(jù)預(yù)處理方法為：

使用Fisher判別準(zhǔn)則生成n個(gè)Fisher分類器，組成Fisher分類器組：依據(jù)訓(xùn)練樣本類別，由兩類樣本組成n個(gè)訓(xùn)練子集，利用訓(xùn)練子集X_n生成n個(gè)Fisher判別模型，生成n個(gè)Fisher分類器，形成Fisher分類器組；

將各樣本原始數(shù)據(jù)輸入Fisher分類器組獲得輸出，最后將輸出結(jié)果通過非線性連續(xù)函數(shù)進(jìn)行映射，并將映射結(jié)果作為數(shù)據(jù)預(yù)處理結(jié)果。

2.如權(quán)利要求1所述的基于Fisher分類器組的連續(xù)型數(shù)據(jù)預(yù)處理方法，其特征在于，該基于Fisher分類器組的連續(xù)型數(shù)據(jù)預(yù)處理方法包括以下步驟：

步驟一、訓(xùn)練子集選擇與生成：通過獲得若干組觀察數(shù)據(jù)與所屬類別的信息作為算法模型建立的依據(jù)，每一條信息稱為一個(gè)訓(xùn)練樣本，若干訓(xùn)練樣本組成訓(xùn)練集；若訓(xùn)練樣本有k類，k≥2；則依據(jù)訓(xùn)練樣本類別，由兩類樣本組成個(gè)訓(xùn)練子集，訓(xùn)練子集X_n表示為：

X_n＝{{x_i}，{x_j}}；

其中，且i≠j，{x_i}和{x_j}分別表示訓(xùn)練集中第i和第j類樣本的集合；

步驟二、Fisher分類器組生成：

利用訓(xùn)練子集X_n生成Fisher判別模型y_n＝f_n(x)，步驟如下：

1)求X_n中i，j兩類樣本的均值和

2)求類內(nèi)散度矩陣S_wn：

$S_{wn}=\underset{x\∈\left\{x_i\right\}}{\Σ}(x-\stackrel{\‾}{x_i}){(x-\stackrel{\‾}{x_i})}^T+\underset{x\∈\left\{x_j\right\}}{\Σ}(x-\stackrel{\‾}{x_j}){(x-\stackrel{\‾}{x_j})}^T;$

其中是的轉(zhuǎn)置矩陣；

3)求類間散度矩陣S_bn：

$S_{bn}=|\stackrel{\‾}{x_i}-\stackrel{\‾}{x_j}|;$

4)求投影方向W_n：

W_n＝S_wn^-1·S_bn；

5)求Fisher判別閾值w_0n：

$w_{0n}=W_n\·(\stackrel{\‾}{x_i}+\stackrel{\‾}{x_j});$

則得訓(xùn)練子集X_n對應(yīng)的判別模型：y_n＝f_n(x)＝W_n·x-w_0n；

6)按照步驟1)至步驟5)的方法求出每個(gè)訓(xùn)練子集對應(yīng)的Fisher判別模型，生成個(gè)Fisher分類器，形成Fisher分類器組，則分類器組輸出表示為：

$\tilde{y}=\{y_1,y_2,...,y_n\}=\{f_1\left(x\right),...,f_{\frac{k(k-1)}{2}}\left(x\right)\};$

步驟三、非線性連續(xù)型函數(shù)映射方法包括：

利用非線性連續(xù)函數(shù)對Fisher分類器組輸出進(jìn)行映射，令為第n個(gè)Fisher分類器輸出的非線性映射且：

其中a是為增強(qiáng)算法泛化性能而引入的松弛變量，a＞0；若Fisher分類器組由k個(gè)分類器組成，則為數(shù)據(jù)預(yù)處理結(jié)果。

3.如權(quán)利要求1所述的基于Fisher分類器組的連續(xù)型數(shù)據(jù)預(yù)處理方法，其特征在于，使用人工嗅覺系統(tǒng)對測試物質(zhì)，進(jìn)行分類識別，人工嗅覺系統(tǒng)由32個(gè)氣敏傳感器組成，每種測試物質(zhì)進(jìn)行12次采集，每次采集過程中清潔空氣即基線采集時(shí)間為3分鐘，被測物進(jìn)樣時(shí)間為3分鐘，清洗時(shí)間為4分鐘；

每次采集完成后，將第i個(gè)傳感器的響應(yīng)記為Δr_i：

${\mathrm{\Δr}}_i=r_i^{gas}-r_i^{base};$

其中為被測物進(jìn)樣階段第i個(gè)傳感器響應(yīng)的平均值，為基線采集階段第i個(gè)傳感器響應(yīng)的平均值，則每次采集獲得32維樣本，對于每種物質(zhì)的樣本，取其中3個(gè)作為訓(xùn)練樣本，剩余為測試樣本，松弛變量取a＝5.76。