1.一种基于奇异值分解和自编码器的轴承故障特征提取方法，其特征在于：包括以下步骤：

S101：采用S变换获得轴承振动信号x(t)的时频信息矩阵S(τ,f)；

所述时频信息矩阵S(τ,f)的计算式如公式(1)所示：S102：对S101中的时频信息矩阵S(τ,f)进行奇异值分解，得到奇异值；

所述奇异值的计算公式如式(2)所示：T

S(τ,f)＝UΓV             (2)其中，S(τ,f)大小为M×N，U和V的大小分别为M×M，N×N的正交矩阵；Γ的大小的M×N，其形式如下 Λr×r＝diag(σ1,σ2,...σr)，σi称为时频信息矩阵S(τ,f)的奇异值；

S103：使用自编码器对获得的奇异值进行特征提取，得到轴承振动的特征；使用自编码器对获得的奇异值进行特征提取，其具体步骤如下：S201：构造自编码器模型；

构造自编码器的具体步骤如下：S301：假设输入数据为y∈{σ1,σ2,...σr}，则隐藏层、输出层神经元的激活情况为：g＝f(Ey+b)            (3)T

h＝f(Eg+b′)          (4)T

其中， E和E均为权重矩阵且两者互为转置，b为隐藏层偏置量，b′为输出层偏置量，h即为所提取的特征向量；

S302：目标函数为

S303：训练方式为：

其中，η为学习速率，取值为0.01；

S202：使用构造的自编码器模型进行特征提取，得到特征向量。