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。