1、伴隨著現(xiàn)代化設(shè)備維修技術(shù)從預防維修向預測維修的發(fā)展，發(fā)展起來一種新的學科—機械設(shè)備的狀態(tài)監(jiān)控與故障診斷。振動檢測技術(shù)一直是機械設(shè)備狀態(tài)監(jiān)測和故障診斷技術(shù)的主要手段。在處理故障診斷等實際問題時，能得到的樣本數(shù)據(jù)是非常有限的，故障模式識別在大多數(shù)情況下是一個小樣本機器學習問題。支持向量機是在統(tǒng)計學習理論基礎(chǔ)上發(fā)展起來的一種新型的針對小樣本的學習機器。支持向量機應用于故障診斷最大的優(yōu)勢就在于它適合于小樣本決策。
　　本文圍繞支持向量機在

2、機械故障診斷應用研究領(lǐng)域中的若干關(guān)鍵問題進行研究，主要工作和研究成果如下：
　　1、通過研究幾種常用的SVM多類分類算法，比較它們的優(yōu)劣性，引出一種改進的基于帶標記的二叉樹多類分類方法，這種算法能夠減少子分類器的數(shù)目，提高分類的準確性。
　　2、根據(jù)對核函數(shù)及其參數(shù)選擇方法的研究，建立基于Fisher判別準則和蟻群優(yōu)化算法相結(jié)合的核函數(shù)參數(shù)自動優(yōu)化方法。可以實現(xiàn)支持向量機分類器的核函數(shù)參數(shù)的優(yōu)化，結(jié)果表明本方法可以提高分類器