针对支持向量机中单尺度高斯核算法存在局部风险的问题,提出一种基于核排列的多尺度高斯核算法。利用核排列这一度量标准来选择高斯核函数的尺度,并把多个弱分类器聚集成一个强分类器得到多尺度高斯核,从而构造支持向量机模型。利用UCI数据集Iris Plants、 Wine Recognition等仿真实验结果表明:所提出的基于核排列的多尺度高斯核算法比传统的单尺度高斯核算法具有更高的分类准确率。

针对支持向量机中核函数的参数选择问题，提出一种基于核排列的核参数选择的齿轮故障诊断方法。在深入分析核排列这一核度量标准的基础上，利用最大化核排列的方法对高斯核函数的参数进行选择，构造支持向量机模型，对齿轮的正常、断齿、齿根裂纹和齿面磨损四种状态进行识别。与传统经典的10折交叉验证法相比，该算法无须反复的训练和测试分类器，能够高效地实现核函数的参数选择。通过对实验结果的分析可以看出，对比10折交叉验证法，利用核排列进行参数选择在齿轮故障诊断中具有更高的分类精度。