相似性度量作为数据挖掘与机器学习中相当重要的概念,其方法和应用得到了广泛的关注。传统的度量方法分为距离度量和相似系数度量,由于它们缺乏学习能力,使得应用领域存在一定局限性。后来的学习型伪度量方法避免了这个局限性,并在图像检索与分类领域获得了成功应用。然而,这种学习型伪度量模型的建立采用的是BP神经网络算法,而BP网络的训练容易陷入局部最优,且算法时间复杂度较高。因此,本文使用一种训练效率较高的随机配置网络代替BP网络,研究了基于随机配置网络的学习型伪度量方法,并应用于案例推理分类器的检索环节,通过实验证明了它可以提高案例推理分类器的性能。本文的主要工作内容如下:(1)针对传统度量方法缺乏学习能力的问题,提出将随机配置网络替换BP神经网络并应用于学习型伪度量方法中,并给出了算法步骤。首先根据学习型伪度量的定义构建出训练样本集,接着以分类为例,定义了训练随机配置网络的伪度量准则,在此基础上,利用训练样本集训练随机配置网络,并分析了网络的通用逼近性。通过对比实验,表明基于随机配置网络的相似性度量性能优于BP神经网络,可以有效发挥随机配置网络在监督机制下确定网络结构和训练速度快的优势;(2)以案例推理分类器为例,对上述基于随机配置网络的学习型伪度量方法进行了鲁棒性、稳定性及分类性能的实验测试。在案例推理分类器的算法基础上,首先构建案例库,然后通过上述学习型伪度量算法指导案例检索,度量目标案例与每个源案例的相似性,从而得到同类案例,最后通过案例重用、案例修正得到目标案例的分类结果并存储到案例库中。通过标准数据集的实验表明该学习型伪度量方法不仅能解决距离度量方法存在权重分配和距离陷阱的问题,还能有效提高分类器的准确率并降低时间复杂度;(3)在实验成功基础上,将上述案例推理分类器应用于城市生活垃圾焚烧过程的故障检测中。首先通过分析垃圾焚烧工艺的机理总结出故障类别及其相关影响变量,然后建立了基于随机配置网络相似性度量的案例推理故障检测模型,并利用从现场获取的历史数据进行了检测准确率等方面的实验测试,最后基于Fameview组态软件开发出了垃圾焚烧过程的故障检测系统,可以有效监测系统运行的状态。