论文部分内容阅读
与两类及多类分类方法相比,一类分类方法仅仅需要一类样本,通过机器学习获取该类样本的决策域,并以此判断其他样本是否属于该类,因此学习速度更快,在解决仅有一类样本和样本数量不平衡的问题中具有独特优势。本文将一类分类问题引入到转子故障诊断,研究了基于一类分类的转子状态监测及多类故障识别问题,并与传统的基于多类分类的神经网络和支持向量机方法进行了比较,结果表明了一类分类问题应用于转子故障诊断的巨大潜力。