神经网络已在各个领域得到广泛成功应用,但因网络结构复杂性及节点高非线性造成现有神经网络不仅计算复杂度高并使得所取结果难以做出解释。当神经网络节点是指数非线性函数,其实质上也可以将其化简为多维泰勒高阶展开多项式进行近似,并能有望降低计算复杂性,并能增强结果可解释性为此本论文研究一种基于多维泰勒网,并展开在故障诊断的仿真研究。论文的主要工作如下。1)基于单层多维泰勒网的系统变量重要性评估与故障诊断。首先基于单层多维泰勒网建立各变量重要性的评价函数,然后基于对各变量平均影响度的分析,或对变量求偏导结果,求体现各变量的重要性权重因子;通过对各自变量基于权重因子的相对变化,建立基于k近邻数据驱动的故障诊断方法;最后用实验仿真进行验证。2)多维泰勒网参数基于卡尔曼滤波的自适应辨识方法。首先将多维泰勒网的输入输出方程视为待辨识参数的量测方程;其次将参数描述成基于随机游走的动态过程,再次结合线性卡尔曼滤波器建立网络参数随样本不断增加的自适应辨识算法;最后通过数值验证待辨识方法的有效性。3)建立一种基于多层多维泰勒网自编码与性能分析方法,首先基于不同阶次建立一个随阶次逐级升高的多层泰勒网自编码网络框架;其次用无间度学习方法逐层训练网络参数;最后通过相同的输入输出标签数据来测试与评估该网络与现有栈式自编码网络的表示能力。