论文部分内容阅读
发动机的故障样本少,用神经网络进行故障类别的学习和分类往往会出现过学习、泛化能力不高以及局部极小点等问题.针对这一缺陷,将基于小样本理论的支持向量机学习方法应用到发动机的故障诊断中.同时讨论了3种多故障分类器的优缺点,并用引入模糊隶属函数的方法解决了"一对多"方法在构建多故障分类器时存在的分类盲区,提高了分类器的分类精度.用该方法对发动机常见的8种状态模式的样本进行训练和识别,训练样本和测试样本都有较好的识别率.