号中的应用，且在故障频率的模式识别方法上也是值得改进和进一步研究的。
1.2.2 模糊C-均值聚类（FCM 算法）
而引入模糊理论的模糊聚类分析为现实数据提供了模糊处理能力,在许多领域被广泛
应用。目前在国内外，模糊 C-均值聚类（FCM 算法）已经被广泛地应用于模式识别、
数据挖掘、模糊控制、图像处理、图像分割、矢量量化、模糊逻辑等众多领域[6]
。Dubes
和 Jain 关于聚类分析的综述包括了从 77 分杂志和 40 本书中摘取出来的 250 条引文[7]，
如此巨大的文献量说明了聚类分析的重要性。
聚类分析作为一种非监督学习方法[8]
,是机器学习领域中的一个重要的研究方向。同
时它也是数据挖掘中进行数据处理的重要分析工具和方法。近年来,随着人们对聚类技术
的不断研究,聚类分析在机器学习、数据挖掘等很多领域已经成为人们进行数据分析和信
息提取的研究热点。  所谓聚类,就是把没有类别标记的样本集按某种准则划分成若干类,
使类内样本的相似性尽可能大,而类间样本的相似性尽量小,是一种无监督的学习方法。聚
类分析通常是在没有先验知识支持的前提下进行的,它所要解决的就是在这种前提下,实
现满足要求的类的聚合。对于模糊 C-均值聚类算法(FCM)，它是一种比较有代表性的模
糊聚类算法,主要是通过迭代更新聚类中心和隶属度矩阵,使目标函数值达到最小.但它还
是存在缺陷和不足,其中最主要的就是选取不同的初始中心,会得到不同的聚类结果,影响
到聚类的稳定性和准确率，所以对要聚类的数据集采用数据分区技术进行预处理,根据物
质质心的定义及质心运动原理,计算每个数据分区的质心做为 FCM 聚类的初始聚类中
心.，如此改进后的算法FCM能够降低迭代次数和运行时间,以便得到更稳定的聚类结果，
提高准确率。
1.3 本文的主要内容
本文所研究的课题结合 FFT信号分析方法以及 FCM 算法，对列车关键部件的故障进
行特征提取，来实现对列车故障的智能诊断，主要研究内容如章节安排所示，包含列车机
械部件的故障分析，其中最重要的就是列车关键部件常见的故障类型及特征，以及列车关
键部件的故障分析方法；包含模糊聚类的应用，模糊 C 均值聚类的分析以及模糊理论基础；包含了对于Matlab 软件及其优势、GUI界面的介绍；包含了基于 FCM 的列车故障智
能诊断的系统设计及系统验证。 Matlab基于FCM的列车故障智能诊断系统设计(4):http://www.751com.cn/zidonghua/lunwen_15247.html