说明：算法流程：选定训练集和测试集-数据预处理-交叉验证选择最佳参数-分类准确率-预测-利用最佳参数训练SVM。

数据预处理 交叉验证 最佳参数 训练SVM SVM

说明：首先将变压器故障的样本分成训练集和测试集两部分，然后对它们进行归一化，再用网格参数寻优得到c和g，最后进行变压器故障的预测。

SVM-预测故障 变压器--故障 SVM变压器 测试集--预测 分成训练样本

说明：通过对集成误差公式的理论分析，提出了一种能主动引导个体网络进行差异性学习的集成网络学习算法。该方法通过对集成误差的分解，使个体网络的训练准则函数中包含个体网络误差相关度的因素，并通过协同训练，引导个体网络进行差异性学习。该方法在基于油气分析的变压器故障诊断的实验结果表明，该方法的故障诊断准确率优于传...

可靠度 matlab Ensemble Learning 集成学习器 bp 变压器故障 协同训练

说明：BP_Adaboost模型即把BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器，利用此方法设计出强分类器。

BP-Adaboost BP神经网络 分类器 BP 神经网络 Adaboost算法

说明：Fisher线性判别分类器源代码，包括训练函数和测试函数。

线性判别 测试函数 fisher函数 线性判别-Matlab fisher分类器

说明：BP和RBF神经网络用于电流互感器参数剩磁衰减因子的预测

RBF和BP RBF-BP预测 rbf神经网络 电流互感器

说明：Adaboost 算法的思想是合并多个“弱”分类器的输出以产生有效分类。其主要步骤为 ：首先给出弱学习算法和样本空间（工， y） ，从样本空间中找出 m 组训练数据，每组训练数据的权重都是 1 /m。然后用弱学习算法迭代运算 T 次，每次运算后都按照分类结果更新训练数据权重分布，对于分类失败的训练个...

BP Adaboost算法 样本权重 基于BP的强分类器 BP-Adaboost 数据分类算法 分类器

说明：BP-Adaboost模型即把BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器。

bp——adaboost adaboost 预测 adaboost_bp BP预测

说明：ART-similarity分类器进行训练，识别出设备的性能状态

YU范数 振动状态识别 进给系统 距离评估方法 特征参数评估