思想：多维 --> Fisher变换 --> 利于分类的一维
1.已知：
给定n维训练模式 x1,x2,...,xn,其中有N1和N2个模式分属w1和w2类（N1+N2=N)，分别记为{xj_(1)}和{xj_(2)}
2.目标：
我们希望通过Fisher变换之后，同一类的模式向量“距离”更近，而类之间的“距离”更远，这样达到更容易区分的目的。
同一类的模式向量“距离”：类内离散度矩阵（类内离差阵）
类之间的“距离”：类间离散度矩阵（类间离差阵）
3.变换前的类内离散度矩阵和类间离散度矩阵
变换前的类内离散矩阵Swi=sum_j（xj_(i)-mi)（xj_(i)-mi)'
其中mi=1/Ni sum (xj_(i))是各类的模式均值矢量。所以类内离散度矩阵实际上就是各模式矢量在各维度的协方差矩阵。
总的类内离散度矩阵为各个类内离散度矩阵相加，如果只考虑两个类的话：Sw=Sw1+Sw2;
变换前的类间离散度矩阵：SB=(m1-m2)(m1-m2)'
4.Fisher变换
yj_(i)=u'*xj_(i)
其中u就是变换矩阵，它的行数和x相同，而列数是新的维数
5.变换后的类内离散度矩阵和类间离散度矩阵
类内：Swi~=sum (yj_(i)-mi~)(yj_(i)-mi~)'
=sum(u'*xj_(i)-u'*mi)(u'*xj_(i)-u'*mi)'
=u'*Swi*u
总类内: Sw~=u'*Sw*u
类间： SB~=u'*SB*u
6.Fisher判别函数
JF(u)=SB~/Sw~=(u'*SB*u)/(u'*Sw*u)
这个值越大，说明变换后越容易区分（求导后应该是一个矢量，如何有大小之分）
让其对u求导（需要利用二次型对其矢量求导的公式）：
dJF/du=(2*(u'*Sw*u)*SB*u-2*(u'*SB*u)*Sw*u)/(u'*Sw*u)^2=NON(表示空）
令 lamda=u'*Sb*u/u'*Sw*u,则 (lamda是标量。为什么？）
SB*u=lamda*Sw*u
7.u的求解
当N较大时，Sw通常是非奇异的：（|Sw|~=0,即 Sw是可逆的）
Sw^-1*SB*u=lamda*u
于是演变为求特征值和特征向量的情况
上式展开：
Sw^-1*（m1-m2)*(m1-m2)'*u=lamda*u
考虑到(m1-m2)'*u=a(a是标量），而且我们只关心u的方向，而不关心大小：
u=Sw^-1*(m1-m2)