为提升马田系统的识别性能,本文利用度量学习理论对其进行改进。一是将传统协方差马氏距离改进为以度量矩阵为参变量的马氏距离函数,然后利用简单直接的KISSME度量学习算法估计一个最能反映数据间内在关系的度量矩阵,该度量矩阵可以使同类样本更紧凑、非同类样本更分离,这有助于提升马田系统的识别性能。二是基于拉近同类样本、推远非同类样本的思想,定义一个新的特征子集评估函数代替田口方法中的信噪比,这有助于筛选出可以提高马田系统识别性能的特征。改进后的马田系统仍然保持了原理简单、易于操作的优势。本文选取6个UCI数据集进行验证,得出改进后的马田系统在Accuracy、Specificity、G-means和降维率等方面均明显优于传统马田系统的结论。最后,本文通过返贫识别验证了改进后马田系统的可行性和有效性。

（管理工程学报,2025,39(02):221-233）