作为依据已解决案例解决新问题的技术,基于案例推理呈现出其在提高复杂结构和未知结构决策问题上的精确性和有效性的重大前景。相似问题具有相似的解决方案是基于案例推理的核心假设。本文提出一种改进的基于模糊案例推理算法,用以代表已知案例对新问题的有用性,相较于传统的基于距离的相似性模型,能更灵活和完整地提取领域信息。基于“王算法”在生成模糊规则上的简单性和快速性,本文通过修改该算法直接从数据中学习模糊规则提升其在分类问题上的性能。给定问题的特征属性作为模糊规则的输入决定其是否或者什么程度上与已知案例相似。将本文方法运用到UCI标准数据集上验证在分类问题上的有效性,仿真实验表明该方法具有训练时间短,参数选取容易,算法编程易实现等优点,并且在训练数据个数有限的情况下仍有较好的表现。针对具有十多个或者上百个属性特征的案例导致的规则数量“维数灾难”和巨大计算负担的问题,本文利用遗传算法从一组大量特征集合中辨别相关属性的组合优化来选取特征,以降低系统复杂度。WINE数据集上的仿真实验表明,集成特征选取的基于模糊案例推理不仅大大降低了系统复杂度,而且进一步提高了分类正确率。此外,通过将本文方法运用到液压油缸系统泄漏的故障诊断中,验证其在实际故障识别和分类问题上的可行性。相较于BP网络在同样数据上的诊断效果,本文提出的基于模糊案例推理方法体现了更有效的对故障的识别与分类。