支持向量机(Support Vector Machine)是Vapnik等人根据统计学理论提出的一种新的学习方法,它是建立在统计学习理论的VC维(Vapnik Chervonenks Dimension)理论和结构风险最小原理(Structural Risk Minimization Inductive Principle)基础上的,能较好地解决小样本、非线性、高维数和局部极小点等实际问题。从N.Vapnik的统计学习理论基础上发展起来的支持向量机(Support Vector Machine,简称SVM)是目前模式识别领域中最先进的机器学习算法,它已初步表现出很多优于已有方法的性能。由于采用了结构风险最小化原则代替经验最小化原则,支持向量机能够较好地解决小样本学习的问题,具有较强的泛化能力。又由于采用了核函数的思想,使它把非线性空间的问题转换到线性空间,降低了算法的复杂度。正是因为其完备的理论基础和出色的学习性能,该技术已经成为了机器学习界的研究热点,并在很多领域都得到了成功的应用。但是作为一种新兴技术,SVM在很多应用领域的研究都还有待于探索和完善。如核函数和参数的选择缺乏理论指导、训练算法的完善、不支持增量学习等。这些问题的存在,使得SVM在很多领域的应用受到了很大的限制。本文在学习探讨SVM算法的同时,对SVM在船用柴油机涡轮增压系统故障诊断中的应用进行了论述,运用支持向量机理论对其进行了故障诊断的研究,其中包括实验系统数学模型的设计、仿真系统的建立(用Simulink仿真软件建立仿真模型)、特征参数的提取、数据的采集等。