1.一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法，其特征在于，其步骤为：

1)信号采样：将加速度传感器分别放置于电机壳和风扇的十二点钟方向，MATLAB处理

16通道数据记录器采集的振动信号，12KHz的采样频率下收集信号，驱动端信号的采样频率是48000S/s；

2)降噪处理：采用傅里叶变换对信号做预处理，变换之后用最小值–最大值归一化处理，使得数据在保持原有相对关系的基础上，数值波动范围稳定在[0,1]；

3)特征提取：确定边缘降噪自动编码器的隐含层数为三层，将预处理后的数据输入到强重构边缘降噪自动编码器中；在改进约束条件的作用下映射后提取特征，隐含层的输入为上一隐含层的输出加上预处理后的数据，计算隐含层实际输出；在输入输出基础上计算损失函数对权重和偏置的偏导数，更新权重和偏置；对比设置的损失函数和最大设定次数，到达期望值时停止，否则重新计算隐含层的输出；

4)故障诊断划分：使用改进的相关向量机进行故障诊断的划分；

5)机械设备状态诊断：利用实测的轴承数据，识别出轴承数据的状态。

2.根据权利要求1所述的一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法，其特征在于：所述的步骤3)中，具体方法如下：

3.1)预处理输入数据，设处理后的输入值及输出期望值为x；

3.2)随机初始化权值w和偏置b，使用交叉熵来调节参数w,b，定义损失函数：其中：d是输入维数；

a表示批量划分后的大小；

ik表示每批次数据中第i次输入的第k个元素；

先求和输入向量再求和批量数据的每个样本，自动编码器约束条件如式(2)：其中：n表示输入个数；

m表示隐含层神经元个数；

z表示隐含层特征表达式；

L表示交叉熵函数；

表示输入数据x的第d维的噪声干扰项的方差；

β表示权重系数；

计算方式如式(3):

其中： 表示平均激活度；

ρ表示每层神经元的激活度；

3.3)定义前一隐含层的输出为x′，则下一隐含层的输入为(x′+x)；

3.4)计算通过隐含层处理后的输出层的实际输出z；

3.5)在输入输出的基础上，损失函数对w,b的偏导数，重建过程中使用标量形式，计算方式为：其中，wqp表示节点q与p的权值；

wkp表示节点k与p的权值；

byp表示节点p的偏置；

bzk表示节点k的偏置；

对于每批量数据的第i个样本来说， 表示第p隐层的输入， 表示第k输出层的输入；

f'(x)是sigmoid的一阶导数：f'(x)＝f(x)[1-f(x)]对损失函数式(1)求偏导得式(6)：其中，wrs表示节点r与s的权值；

byr表示节点r的偏置；

3.6)按照式(7)规则更新参数值，η是学习率，w是权值，by是偏置：

3.7)对比设置的损失函数和最大设定次数，达到我们的期望值时就停止，否则返回

3.6)继续训练。

3.8)将改进边缘降噪自动编码器的输出，输入到改进的相关向量机中分类。

3.根据权利要求1所述的一种混合蛙跳反馈极限学习机带钢厚度预测方法，其特征在于：所述的步骤4中，具体方法如下：

4.1)设有两类输入样本X1,X2，X1(x11,x12,...x1i),X2(x21,x22,...x2i)(i＝1,2,...l1,j＝1,2,...l2)，μ1,μ2是X1,X2映射后的均值向量，由(8),(9)算得：类内散布矩阵由式(10),(11)解得：其中，K(,)为核函数；

为K(,)所对应的非线性映射；

K1，K2，K11，K22，K12公式为：输入样本映射到特征空间中的方差 计算方式如式(17)(18)：在最大熵方法的约束作用下，同样求解输入样本映射到特征空间中的方差 本文的提出的权重系数λ的计算方式如式(19)：

4.2)按照改进核函数方式，定义相关向量机结构为：权重w＝(w0,...,wN)，K(x,xi)表达式如式(21)：在Fisher准则约束下求解输入样本映射到特征空间中的方差 在最大熵准则约束下求解输入样本映射到特征空间中的方差 根据所提方法计算核函数权重系数λ，方式如式(22)：

4.3)超参数α初始化，权重协方差Σ如式(23):Σ＝-H＝(φTBφ+A)-1                             (23)其中H为海森矩阵，并且y＝[y1,y2,Λ,yN]T，B＝diag(β1,β2,Λ,βN)，βn＝σ[y(xn)]{1-σ[y(xn)]}，A＝diag(α0,α1,Λ,αN)；

4.4)重新估值超参数，估算方式如式(24)：μi是Xi映射后的均值向量；

4.5)相关向量机分类时一般采用Sigmoid概率函数，其表达形式如式(25)：其中：y(x,wMP)＝φ(x)wMP，wMP由式(26)算得：求解得到样本对类别的概率预测值p(t＝1|x)，p(t＝0|x)，值中较大值对应的类别便是x的识别结果。