基于云模型与证据理论的雷达导引头状态评估

作为视情维修(CBM)的关键环节,状态评估对装备后续CBM决策工作具有重要影响。为了使状态评估更加准确合理,针对现有评估方法主观性较强等问题,提出一种基于云模型与D-S证据理论(DST)的装备状态评估模型。第一步利用云模型求取状态指标的隶属度,第二步进行证据源修正,最后通过D-S证据理论融合装备多个测试指标得到评估结果。通过雷达导引头状态评估实例分析,验证了新方法的合理性。     

具有传感器增益退化的不确定系统融合估计器

研究具有传感器增益退化、模型不确定性的多传感器融合估计问题, 其中传感器增益退化现象描述为统计特性已知的随机变量, 模型的不确定性描述为系统矩阵受到随机扰动. 设计一种局部无偏估计器结构, 并建立以局部估计器增益为决策变量、以有限时域下融合估计误差为代价函数的优化问题. 在给出标量融合权重时, 考虑到求得最优的局部估计器增益的解析形式较为困难, 通过最小化代价函数的上界得到一组次优的局部估计器增益. 最后通过算例仿真表明了所设计融合估计器的有效性.

     

基于相关向量EMD和GMDH重构的故障率预测方法

针对故障率数据的非线性非平稳特性及现有预测方法精度不足的问题,提出了一种基于相关向量经验模态分解(relevance vector empirical mode decomposition,简称RVEMD)和数据处理组合法(grouped method of data handling,简称GMDH)重构的预测方法。首先,通过RVEMD分离故障率时间序列的波动项和趋势项,分解产生序列的固有模态函数(intrinsic mode function,简称IMF)和残余函数(residual function,简称RF),通过相关向量机(relevance vector machine,简称RVM)预测端点局部极值的方法抑制传统经验模态分解(empirical mode decomposition,简称EMD)存在的端点效应,进一步利用RVM回归生成序列的上下包络,替代了常规三次样条插值法;其次,建立各IMF分量的RVM预测模型和RF分量的灰色预测模型,其中对标准RVM回归模型进行了改进,通过构建一种方差高斯核函数(variance Gauss kernel function,简称VGKF)来提高核函数的全局性能和泛化能力,利用H-Q准则对训练空间预测嵌入维数进行优化,避免了主观选取的盲目性,同时构建了一种基于背景值优化的灰色预测模型;最后,通过GMDH算法产生的最优智能组合模型得到最终的预测结果。仿真实例结果表明,相比常规EMD分解后叠加预测法和其他单一模型预测法,该方法具有更加优异的预测性能,能够对故障率的变化趋势进行准确预测。