一   特征提取方法

① 时域特征

         时域特征也是信号的统计特征，特征提取采用概率统计的方法，常见时域特征包括：均值、方差、均方根、偏度、峰度等；

② 频域特征

         频域特征一般指利用快速傅里叶变化，通过频谱分析得到的信号特征。

③  时频特征

         在对非平稳信号的研究中，只了解信号的时域或频域特性往往是不够的，有时还希望得到信号频谱随时间的变化情况，因此需要使用时间和频率联合的函数来表示信号，这就需要采用时频分析法。时频分析的主要任务是描述信号的频谱含量是怎样随时间变化的，得到信号的能量或强度在时间和频率上的分布，从而实现信号时频特征信息的提取。（小波分析法是时频分析的有效工具，在刀具状态检测中应用比较广泛）

④ 时间序列分析特征

         时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。对于平稳时间序列，可用自回归模型（ＡＲ）、滑动平均模型（ＭＡ）、自回归滑动平均模型（ＡＲＭＡ）来进行拟合；对于非平稳时间序列则要先将观测到的时间序列进行差分运算，化为平稳时间序列，再用适当模型去拟合这个差分序列。

⑤  分型特征

         分形理论是研究自然界不规则和复杂现象的科学理论和方法，作为非线性科学的重要组成部分，为研究复杂信号提供了有效的途径，目前在包括刀具状态监测领域在内的许多研究领域广泛应用。

二  决策方法

•  人工神经网络

         人工神经网络是由多个简单的处理单元相互连接而成的复杂的网络系统，它能够反应人脑功能的许多基本特征，是一个高度非线性的动力学系统，非常适合需要同时考虑多因素和多条件的信息处理问题。人工神经网络是目前刀具状态监测领域应用最多的决策模型，据研究统计，该领域超过半数的研究均釆用的是人工神经网络方法。

         虽然人工神经网络在刀具监测领域得到了广泛的应用，但在应用中经常会遇到一些问题，如：网络训练容易出现不收敛的现象；训练中容易陷入局部极小值；对训练样本数量要求高；网络结构的设计缺乏理论依据等。

•  模糊神经网络

模糊神经网络是神经网络和模糊系统的结合体。神经网络是从神经细胞的信息处理的微观结构上模拟人类智能，具有良好的学习和适应能力；模糊逻辑是从人的抽象思维的宏观过程上模拟人类智能，具有较强的结构知识表达能力，但隶属度函数的生成和模糊规则没有有效的学习和自适应能力。神经网络的学习功能和模糊推理系统推理功能的融合不但使模糊系统具有自学习、自适应的特性，还使得传统神经网络没有明确物理含义的权值被赋予了模糊逻辑中推理参数的物理含义，而且提高了系统的性能，在一定程度上弥补了人工神经网络的不足。

•  支持向量机

         支持向量机是建立在统计学习理论和结构风险最小化原理基础上的机器学习方法，它能够根据有限的样本信息，在模型的复杂性和学习能力之间寻求最佳折中，获得最好的推广能力。因此，支持向量机具有很好的学习能力、决策精度以及泛化能力。此外，它还具有结构确定受人为干预少，能够很好的解决小样本、非线性和高维数等问题的优点，在刀具磨损状态分类和磨损量预测研究中能够发挥比人工神经网络更优越的性能

•  隐马尔可夫模型

隐马尔可夫模型（ＨＭＭ）是用来描述一个含有隐含未知参数的马尔可夫过程的统计模型。ＨＭＭ中的状态是不可见的，但可以看到状态表现出来的观察值和状态的概率函数。观察值是关于状态的随机过程，而状态是关于时间的随机过程，因此ＨＭＭ是一个双重随机过程。作为一种基于统计分析的识别模型，ＨＭＭ已成功地用于语音识别，行为识别，文字识别以及故障诊断等领域，在刀具状态分类研究中也得到了应用，但无法用于实现刀具磨损量的预测。