基于LS-SVM的装备研制费用建模与分析

应用最小二乘支持向量机原理建立基于最小二乘支持向量机的装备研制费用预测模型，利用LS—SVM方法对装备研制费进行预测步骤包括样本数据准备、模型训练学习、训练结果评估等循环过程，然后应用实例进行预测与分析。结果表明采用最小二乘支持向量机进行装备研制费用预测，所需样本量少、预测精度高、泛化能力强。     

基于粗糙集的支持向量机回归建模及应用

为提高船舶费用建模的精度,找出影响船舶费用建模的相对重要因素,减少各因素之间的相关性对费用模型的影响,提出用粗糙集理论改进支持向量机的建模方法。对数据进行一般约简,去除冗余信息,再进行支持向量机建模预测,建立费用预测模型。实例计算表明,粗糙集改进支持向量机方法的建模精度高,通用性强。     

基于多智能体遗传算法优化的航空电子设备状态组合预测

针对传统单一预测方法预测航空电子设备状态的不足,提出了将隐马尔可夫模型（HMM）和最小二乘支持向量机（LS-SVM）相结合的组合预测方法。采用多智能体遗传算法（MAGA）对HMM参数进行训练优化,克服了Baum-Welch算法易陷入局部最优解的缺陷,并在HMM建模过程中引入状态条件概率,以降低不确定性因素造成的影响。采用MAGA估计LS-SVM模型参数,并在参数估计的过程中采用剪枝法实现LS-SVM的稀疏性,从而达到提高LS-SVM泛化性能的目的。在此基础上构建了航空电子设备状态组合预测模型。实例分析结果验证了组合预测模型在预测精度、计算速度和稳定性方面的优势。     

基于改进PSO-LSSVM 的军用工程机械研制费用预测模型

针对传统参数法对装备研制费用进行预测存在的局限性问题,采用改进粒子群算法（particle swarm optimization,PSO）对LSSVM模型进行改进,构建军用工程机械研制费用预测模型。运用2种优化策略改进粒子群算法,对种群初始化过程进行控制、克服粒子群算法易于早熟的缺点。用改进后的粒子群算法优化最小二乘支持向量机的模型参数和核参数,以获得更好的预测效果。预测结果表明：该费用预测模型运用于军用工程机械研制费用预测,明显优于传统预测模型,具有很好的预测精度和效率。     

数据挖掘技术在航空发动机PHM中的应用

总结了数据挖掘工具的方法和模式以及数据挖掘的流程，对其在航空发动机故障预测和健康管理（PHM）中的常用方法和模式，如神经网络、时间序列分析、模糊逻辑、遗传算法、证据理论、支持向量机等及其应用案例进行了阐述。     

基于支持向量回归机的导弹平台调平过程模型辨识

针对某导弹平台调平过程难以建立解析模型的问题,根据平台调平过程历史数据,采用支持向量回归机分别对平台的俯仰角θ1、偏航角θ2、滚动角θ3、加速度计当量wx、wy、wz、调平输出当量Ct七个参数的时间序列进行模型辨识。利用参数的前5组数据作为输入,后1组数据作为输出,利用最小二乘法对支持向量回归机进行训练。仿真结果证实,支持向量回归机模型辨识预测误差2.56%,满足导弹平台调平过程建模要求。     

基于主成分分析和支持向量机的参数费用模型

在武器系统分析中,建立武器参数费用模型时,首先要挑选特征参数,这里采用主成分分析方法选择武器的特征参数;利用支持向量机建立了参数费用模型.通过实例与线性回归法和神经网络法的结果进行了比较,结果表明支持向量机比较精确和简单.     

基于SVM的航空兵空运转场载机架次预测研究

分析影响载机架次的主要因素,利用支持向量机(SVM)理论建立非线性回归模型,通过反复试验和网格搜索算法确定预测模型的核函数及参数,进而对载机架次进行预测.预测结果表明:同BP神经网络预测模型相比,支持向量机预测模型具有良好的泛化能力及准确的预测结果.     

改进灰色残差模型在航迹预测中的应用

为了提高航迹预测的准确度,加强对来袭目标的打击效果,提出一种改进灰色残差模型对目标航迹进行预测.该方法将灰色GM(1,1)模型与支持向量回归机相结合,通过对原始航迹数据建立灰色模型得到预测值以及残差序列,提出的改进残差模型运用支持向量回归机非线性拟合的能力对预测值进行修正,在一定程度上克服了GM(1,1)模型的缺陷,使模型预测结果的精度得以提升.分别使用灰色GM(1,1)模型、灰色残差GM(1,1)模型、改进灰色残差GM(1,1)模型3种方法对同一航迹进行预测并对预测的结果进行对比.计算结果表明:该改进模型在航迹数据变化较大的情况下能够较为精确地对航迹进行预测,有较高的理论和实用参考价值.     

基于差分进化支持向量机的作战效能评估方法

武器系统作战效能的评估具有重要意义。针对作战效能评估过程中影响因素复杂、小样本、非线性等问题,引入基于最小二乘法的支持向量机回归算法,用于作战效能的学习与预测。为了提高预测精度,引入差分进化算法进行支持向量机的参数优化选取。以地地导弹武器系统效能为例,分别采用 BP神经网络算法、经典支持向量机算法与本文算法进行仿真计算,结果表明差分进化支持向量机算法可很好地实现武器系统作战效能评估,具有较好的计算精度。     

基于支持向量机补偿的灰色模型网络流量预测

针对网络测量与控制技术中提高流量预测准确性的问题,提出基于支持向量机残差补偿的灰色模型网络流量预测模型。该模型采用灰色模型进行趋势预测,支持向量机进行残差序列预测,实现残差补偿。实验结果表明:该模型具有预测模型样本小,预测精度高等优点,适合于网络流量预测。     

基于支持向量机的弹道识别及其在雷达弹道外推中的应用

支持向量机( SVM)是一种基于结构风险最小化原理的分类技术,也是一种具有很好泛化性能的回归分析方法。本文用SVM分类方法对弹道类型进行识别,用SVM回归方法对不同类型的弹道数据分别建模,进而对弹道起点进行有效预测。仿真结果表明,该方法识别精度高,在SVM弹道识别的基础上,还可以有效提高弹道外推精度。     

分数阶离散灰色模型及其在备件需求预测中的应用

针对某型新概念武器装备缺乏可比对的现有装备,备件需求历史数据少,对装备本身保障特性缺乏了解等问题,提出应用分数阶GM(r,1)模型进行备件需求预测的方法。应用矩阵扰动理论证明了GM(r,1)模型的扰动界小于GM(1,1)模型的扰动界。利用1阶累加矩阵及其矩阵乘法运算推导出p阶累加矩阵。应用分数阶差分方程理论,将p阶累加矩阵推广到r分数阶累加矩阵,建立分数阶累加灰色模型GM(r,1)。通过矩阵求逆运算,得到r分数阶累减矩阵,简化了r分数阶累减计算方法。应用遗传算法确定GM(r,1)模型最优阶数,利用GM(r,1)模型预测维修备件需求,并通过实际数据实验,表明GM(r,1)模型比GM(1,1)模型具有更好的预测性能。     

航空弹药平时消耗量预测模型对比

为准确预测航空弹药平时消耗量,根据历史消耗数据,对其进行多元线性回归预测、灰色预测、并联及串联灰色多元线性回归预测,取得了良好的预测效果.对比各个模型得到的结果,并联型模型能综合多种因素,预测具有非劣性;串联模型能降低原始数据的随机性,提高模型预测精度,预测精度高,可用于实际预测,对航空弹药平时订货有一定的参考作用.     

基于线性回归分析的陆军航空兵训练航材消耗预测

为提高陆航部队航材保障决策质量,对陆军航空兵训练航材消耗情况进行预测分析.以某陆军航空兵部队训练航材消耗为主要研究对象,对直升机航材消耗的影响因素进行变量分析,采用多元线性回归分析法,建立直升机航材消耗量的预测模型,应用最小二乘法估计模型参数,通过直升机训练中航材消耗的历史数据,对直升机训练中航材消耗量进行预测,实例验证模型的有效性.结果表明,多元线性回归分析法能较准确地预测直升机航材消耗量.     

基于RS理论的支持向量机分类模型

基于粗糙集(RS)的支持向量机(SVM)分类模型用RS预处理原始样本数据,通过属性和对象的约简消除输入样本数据冗余条件和样本,简化样本数据空间维数.预处理后数据作为样本数据训练SVM,其模型采用模糊离散.用C 编程实现仿真,选用RBF核函数训练SVM,仿真证明该分类模型提高训练速度和分类精度.     

基于支持向量机的雷达高分辨距离像识别

以支持向量机（SVM）作为分类器。研究了雷达目标高分辨距离像（HRRP）分类法，设计了相应的预处理算法，提出一种结合留一法和单一验证法的参数选择新方案。基于三种雷达目标的HRRP数据，比较了SVM分类法和匹配相关分类法性能。实验结果表明SVM算法在目标姿态的稳定性、对训练集大小的稳定性和抗噪能力方面都占有相当优势。     

基于支持向量机和卡尔曼滤波的机械零件剩余寿命预测模型研究

现有机械零件剩余寿命预测模型在建模过程中,无法同时采用已有数据库数据及被预测产品实时退化数据,为了弥补其不足,提出一种支持向量机（SVM）和非线性卡尔曼滤波相结合的机械零件剩余寿命预测模型。根据现有全寿命试验数据训练所得的SVM回归模型,建立非线性卡尔曼滤波状态更新方程,依据机械零件退化特征构造时间更新方程,设定初始剩余寿命值及其方差,通过逐步迭代计算各时刻剩余寿命估计值及一定置信水平的置信区间。该计算模型能够充分利用现有零件与同类零件全寿命试验数据和被预测零件的实时状态退化数据,实现剩余寿命预测。以某型号滚动轴承为例,验证了所提出剩余寿命预测模型的精度、稳定性及工程应用价值。     

基于影响因素主成分分析的航材消耗预测模型

为了确定航材消耗预测各影响因素的影响程度,提高航材消耗规律分析及其预测的准确性,提出一种基于影响因素主成分分析与广义线性回归的航材消耗预测模型。对航材消耗影响因素进行定性、定量分析,通过主成分分析筛选变量,对影响因素数据进行降维,得到最佳的影响因子集合;然后通过广义线性回归构建航材消耗方程,并验证其拟合优度,最后进行消耗预测。分析结果表明：该模型降低了影响因子相关性,减小了回归分析难度,提升了回归分析的精度,提升了航材消耗预测模型的准确度。