摘要
自组织模糊信念推理系统（SOFBIS）已被用于基于演化原型的分类。然而，现有的SOFBIS模型对所有特征和统计描述符一视同仁，这可能限制了它们在输入特征具有不同诊断相关性的应用中的性能。本文提出了一种演化模糊信念（EFB）技术，以增强模式分类和机器状态监测。提出应用一种新特征——曼哈顿距离度量，以突出信息丰富的特征并抑制相关性较弱的模式。利用类别间的皮尔逊相关性估计特征权重，以强调信息丰富的特征，从而提高故障诊断的可解释性和准确性。通过仿真和实验测试，考察了所提出的EFB技术在轴承健康状态监测和故障诊断方面的有效性。
