排序方式： 共有1条查询结果，搜索用时 0 毫秒
1
1.
传统的故障分类方法大多假设不同类别的数据样本量是相似或相等的. 然而在实际的工业过程中采集到的数据多数是正常数据, 少部分是故障数据, 这就造成了数据的不平衡. 针对不平衡数据问题, 本文提出了一种K-means Bayes与AdaBoost-SVM相结合的故障分类方法, 通过设计两种独立的分类器, 并利用D-S证据理论对分类结果融合, 以弥补各自对某些类别分类能力较弱的缺陷. 实验证明, 本文提出的故障分类方法与单一Bayes或SVM比较, 具有更高的分类准确率. 相似文献
1