1、支持向量機作為一種基于統(tǒng)計學習理論的機器學習方法，較好地解決了非線性、高維數、局部極小點等實際問題，是機器學習領域新的研究熱點。旋轉機械中故障識別技術的研究對于減少維修費用、降低生產成本、提高經濟效益和社會效益具有重要作用，開展大型旋轉機械狀態(tài)監(jiān)測與故障診斷的研究仍然是當今科技發(fā)展的一個重要課題，而支持向量機在小樣本數據學習中所表現(xiàn)出來的優(yōu)勢，能較好的解決這一課題。但與此同時，旋轉機械中的故障識別也給支持向量機提出了許多富有挑戰(zhàn)性的課題

2、，例如，故障分類中存在故障樣本獲取困難、噪音多、各類別樣本數目不均衡等問題。本文主要從模糊支持向量機的分類方法研究和其在旋轉機械故障識別中的應用相結合的角度出發(fā)，對支持向量機的直接多類分類算法、基于模糊核的支持向量機學習、基于支持向量數據描述的多類分類方法，以及支持向量機在旋轉機械故障識別中的應用進行了系統(tǒng)的研究，主要工作如下： 1.傳統(tǒng)的支持向量機是用來解決二類分類問題的，如何有效地將二類問題推廣到多類問題是支持向量機的一個研

3、究熱點。首先分析了現(xiàn)有多類分類方法的特點；然后針對典型的直接構造多類分類方法，為了降低這些方法對噪音的敏感問題，克服噪音對分類結果的不利影響，提出了兩種新的基于直接構造分類方法的模糊多類分類方法。該方法結合了模糊思想，并引入了模糊補償的機制，重新構造并推導了相關的優(yōu)化問題。實驗表明，提出的兩種方法在分類精度上有明顯的改善。 2.對于某一給定的問題，如何尋找到最適合的核函數是支持向量機從理論走向實際應用時所必須解決的一個關鍵問題。

4、支持向量機的核函數往往需滿足Mercer條件，但一些并不完全滿足Mercer條件的核，比如Sigmoid核，也常常用于分類問題。分析表明，Sigmoid核當其參數滿足條件a>0和r

5、本對于某類的隸屬情況，Vague值的相似度量描述了兩樣本隸屬某類的緊密(相關)程度。實驗結果表明，相對于標準Sigmoid支持向量機方法，基于Vague-Sigmoid核支持向量機在不影響精度的情況下，能明顯降低訓練時間。 3.支持向量數據描述本身用來進行1-類分類和奇異點檢測，通過對其特點分析，將其擴展到多類分類中。同時針對訓練樣本中的噪音，首先用改進的可能性c均值聚類方法計算樣本的模糊隸屬度，并構造一個多類分類決策規(guī)則，提出

6、了加權支持向量數據描述多類分類方法。由于采用此方法，大多數樣本僅僅只需被訓練一次，可以降低算法的訓練時間。同時通過Baves理論分析表明，提出的分類決策函數滿足Bayes決策分類規(guī)則。實驗表明，相對于標準支持向量機和基于包圍球的分類方法，本文提出的加權支持向量數據描述多類分類方法在絕大多數標準數據集中獲得了更好的分類結果。 4.支持向量機在小樣本數據學習中表現(xiàn)出了很大的優(yōu)勢，針對此特點，將支持向量機方法應用到旋轉機械故障識別中，構建了一