针对BP神经网络训练过程易陷入局部极值导致训练误差收敛速度慢的问题，提出将具有全局寻优的萤火虫算法，结合BP算法共同训练神经网络。在本质上，萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练，避开局部极值点，得到优化后的神经网络初始权值后，利用BP算法的局部寻优特性对网络做进一步精细训练。轴承故障实验表明，萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升，故障识别率最高达到99.47%。

十分详细，适合新手学习

轴承国家标准rar,轴承国家标准

人工智人-家居设计-基于Bayesian理论的电机滚动轴承故障的智能诊断研究.pdf

实现包络谱轴承故障诊断检测，通过matlab实现，可以直接演示

美国西储大学共享了其滚动轴承实验数据，但是利用MATLAB导入不方便，此函数是用于提高MATLAB导入数据的效率，使用者稍作修改即可使用。

人工智人-家居设计-磁力轴承的智能控制研究.pdf

基于虚拟仪器技术的滚动轴承故障检测系统的研究

针对滚动轴承故障诊断中普遍存在的小样本学习问题，采用支持向量机实现轴承故障的模式识别。为了解决时域统计参数对于轴承故障的多分类效果较差的问题，引入小波包分解（Wavelet packet decomposition，WPD）技术，提取振动信号各频带的能量系数构造特征向量，并采用Fisher比率法对特征向量进行优化选取；然后利用支持向量机（support vector machine，SVM）进行故障模式识别，并与小波包分解及时域统计参数的分类效果进行对比分析。结果表明：支持向量机是实现轴承故障模式识别的一

1、有数据集 2、有随机森林分类、决策树、KNN、朴素贝叶斯的简单对比 3、可直接运行