斜齿轮减速机的模式识别。斜齿轮减速机常用的模式识别方法自然界的事物和现象一般可分为多个相似，但又不完全相同的群体或个体组成的类别人们把这样的类别称为模式类或模式，而把其中每个事物或现象称为该模式的一个样本。齿轮减速电机同类的样本彼此相似，具有某些共同的特征，不同类的样本彼此互不相似。所谓斜齿轮减速机模式识别就是从模式空间到类别隶属空间的正确映射。齿轮减速电机故障诊断中经常用到以下模式识别方法：
(1) 统计分类方法。该方法是利用了斜齿轮减速机各模式类的分布特征，即直接利用各类的概率密度函数、后验概率等，或隐含地利用上述概念进行分类识别。按照齿轮减速电机判别准则来划分统计分类方法，括最小误判概率准则和最小损失判决规则等。
(2) 聚类分类方法。为了避免斜齿轮减速机估计概率密度的困难，可以来用该方法。在一定条件下，根据样本空间的相似性把样本集分为若干子集，结果应是齿轮减速电机某种表示聚类质量的准则函数为最大。常用样本的相似性测度包括距离指标和角度指标。斜齿轮减速机聚类分类方法是一种无监督的学习方法，就是不利用样本的类别属性知识，只根据样本的相似性进行分类的方法。这种方法的前提是，齿轮减速电机同类样本的特征向量相互靠近而不同类样本的特征向量距离要大得多。常用的方法包括C均值法和 IS0DAIA 算法。
(3) 模糊模式识别。该方法利用斜齿轮减速机模糊数学的理论和方法来解决模式识别问题，因此适用于分类识别对象或要求的识别结果具有模糊性的场合。目前，模糊模式识别的方法很多，最简单、最常用的就是最大隶属度原则。在斜齿轮减速机传统的模式识别技术中，模式分类的基本方法是利用判别函数来划分每个类别。在很多情况下，特别是对于线性不可分的复杂决策区域，齿轮减速电机判别函数的形式也就格外复杂。而且由于全面的典型参考模式样本不容易得到，但如果采用概率模型，则会损失模式识别的精度。
斜齿轮减速机神经网络作为一种自适应的模式识别技术，并不需要预先给出有关模式的经验知识和判别函数，它通过自身的学习机制自动形成所要求的决策区域。网络的特性由其拓扑结构、神经元特性、学习和训练规则所决定。它可以充分利用状态信息，对齿轮减速电机来自于不同状态的信息逐一进行训练而获得某种映射关系。而且网络可以连续学习，如果斜齿轮减速机环境发生改变，这种映射关系还可以自适应地进行调整。因此，神经网络由于自身的特性，在故障模式识别领域中有着越来越广泛的应用。下面以单隐层 BP 网络为例，介绍基于神经网络的故障诊断的方法和特点。其中，网络的输入结点对应着故障征兆，输出结点对应着故障原因。首先斜齿轮减速机利用一组故障样本对网络进行训练，以确定齿轮减速电机网络的结构(中间层的传递函数和神经元数目)和参数(神经元之间的连接权值和阈值)。网络训练完毕后，故障的模式分类就是根据给定的一组征兆，实现征兆集到故障集之间的非线性映射的过程。http://www.vemte.com/Products/chilunjiansumada.html