算法描述：KFD is equivalent to KPCA plus LDA
名称：KFD - kernel Fisher discriminant; KPCA - kernelprincipal component analysis; LDA - Fisher linear discriminant analysis;
算法功能：KFD is a technique for dimensionalityreduction.
知识储备：核函数几何意义 、LDA 算法、PCA算法、协方差矩阵几何意义（反映样本间的相关性）、特征空间投影几何意义、希尔伯特空间；
算法描述：已知：类别数-C、每类样本数-N、样本特征维数feature_dimension
1）获得扩散矩阵为：N*C 维方阵 M（对称阵）, 几何意义：映射到无限维希尔伯特空间 注：所用函数为高斯核函数
2）修正扩散矩阵：M~ = M - IM - MI + IMI ; 注：I为N*C维方阵，元素均为1 /（N*C）
3) 求得M~的特征值eigenvector与特征向量eigenvalue；
4) 特征向量非0个数：dim_reduced, 相应的特征向量矩阵为dim_reduced行N*C列（特征向量为列向量）
5) 获得类间矩阵Sb (b 为 betwine的缩写) : 求得类均值矩阵C行N*C列； 求得总均值1行N*C列 注：Sb为dim__reduced行dim_reduced列
6) 求得类均值和总均值 注：mi - m0 为类均值减总均值C行N*C列
7）求得 （mi - m0）* 特征向量转置（dim_reduced 行 N*C列）再除以sqrt(eigenvalue) 最终得矩阵C行 dim_reduced列， 定义为了Sb_temp
8) Sb_temp^t *sb_temp 得最终Sb矩阵； 注类间协方差矩阵几何意义是：类间几何距离的平方
9 获得类内矩阵Sw(w为within的缩写) : 求得类均值矩阵C行N*C列； 注：Sw为dim__reduced行dim_reduced列
10） 求得类均值和总均值 注：mi -m0 为每类样本特征减该类均值N*C行N*C列
11）求得 （mi - m0）* 特征向量转置（dim_reduced 行 N*C列）再除以sqrt(eigenvalue) 最终得矩阵N*C行 dim_reduced列， 定义为了Swtemp
12） Sw_temp^t * sw_temp 得最终Sw矩阵； 注类内协方差矩阵几何意义是：类内几何距离的平方
13）求Sw矩阵的特征值和特征向量Sw_eigen_vec,特征值Sw_eigen_val
14) Sw_eigen_val正规化 ：除以N*C
15）Sw_eigen_val非零个数dimension_range, 零个数 dimension_null = dim_reduced - dimension_range
16) 获取相应的特征向量 sw_eigenvec_range, sw_eigenvec_null
17）sw_eigenvec_null * sb * sw_eigenvec_null 得矩阵Sb_null
18) 求得sb_null的特征值和特征向量sb_null_eigenvec,sb_null_eigenval
19) 求得类均值 * 扩散矩阵的非零特征值对应的特征向量
20）sw_eigenval_null 正规化
21）sb_null_eigenval_valid^t * sb_null_eigenval_valid * sqrt(扩散矩阵特征值） 注:dim_reduced *valid_dimension
22）19)*21) 最终得矩阵C行valid_dimension列