谭成兵，周湘贞，朱云飞

(1.亳州职业技术学院 智能工程系，安徽 亳州 236813;2.中国社会科学院 财经战略研究院，北京 100028;3.清华大学出版社，北京 100084)

近年来，数据挖掘技术在互联网数据分析、机械故障定位、复杂模型优化、动力系统故障检测、营销方案制定、仿真系统模拟、电商客户消费习惯[1]等方面取得了较好效果。在数据挖掘分析中，诞生了很多优秀的数据分析平台，比如Weka平台，因其强大的数据处理能力、高集成化的智能算法，以及良好的可视化及过程化展示，成为数据分析的重要平台，Umair 等[2]借助Weka平台对Facebook的用户进行了有效分类，而郑继刚等[3]在Weka平台实现了网络攻击的深入分析。在当前的数据挖掘研究中，已经逐渐转化为从数据挖掘的横向应用研究，转变为纵向数据挖掘技术本身的优化研究，关于数据挖掘的算法研究成为研究热点。通过智能算法进一步优化数据挖掘的性能，提高数据挖掘效率及稳定性。数据挖掘算法较多，随着数据量的增长，传统的数据挖掘算法效率逐渐降低，而具有大数据处理能力的机器学习算法成为了当前数据挖掘的主要算法，研究人员分别尝试用Apriori算法和人工鱼群算法完成了有效数据挖掘[4-5]。为了进一步提高数据挖掘的准确度，协同采用多种机器学习算法共同完成数据挖掘，以旋转机械设备故障判别作为研究对象，根据选择机械设备的振动频谱图作为输入样本，采用协同机器学习算法对振动频谱进行故障判别。……