由于复杂的工业过程数据具有高维属性、非线性和含噪声等特点,通常难以对其进行准确地分类和识别,为此本文提出了 一种基于自组织特征映射的集成分类器(SOM-EC)方法。通过自组织特征映射网络(SOM)可以提取到工业数据中有效的过程特征信息,以达到降维和去噪的目的;然后将这些过程特征信息作为集成分类器的输入样本进行分类,以实现对工业过程的准确建模和识别。本文将所提出的方法分别应用于食品安全预警建模和油气储层识别评价过程中,结果证明了所提方法的有效性。本文所做的研究内容如下:1、针对传统的Fisher判别分析存在投影变换后数据混叠和边界不清的问题,本文提出了一种基于KNN算法改进的高斯核Fisher判别分析分类算法(Fisher-KNN)。通过引入边界判别式,并对边界数据使用KNN分类算法来提升分类精确度。本文通过UCI数据集验证了所提出的Fisher-KNN分类算法的有效性。2、针对复杂的工业过程数据建模和识别问题,本文提出了 SOM-EC模型,首先利用SOM网络来对数据进行自组织学习,提取数据属性间的簇类中心,以作为集成分类器的输入样本;然后使用由支持向量机(SVM)、无模型贝叶斯(MFBC)和Fisher-KNN构成的集成分类器对输入样本进行分类。最后,通过UCI数据集验证了本文所提出的SOM-EC模型的有效性和鲁棒性。3、将本文提出的SOM-EC模型应用于食品安全预警建模领域,来对食品安全风险的类型进行分类和预测,通过与已有的食品安全预警建模方法AHP-ELM相比较,进一步证明了 SOM-EC模型的有效性和实用性。4、将本文提出的SOM-EC模型,与曲线拟合方法(CF)相结合,对我国某油田井块产出的稠油和轻质油的色谱图数据进行识别与分析,以实现对油气储层的准确识别和分析。