基于遗传算法优化支持向量机的航空装备维修费用预测

针对传统航空装备维修费用预测方法难以计算得到满意结果的问题,建立遗传算法优化支持向量机的航空装备维修费用预测模型。将遗传算法与支持向量机相结合,利用遗传算法对支持向量机的参数进行优化,通过实例对GA-SVM模型的应用进行分析对比。结果表明：在航空装备维修费用预测中,该模型比SVR、BP神经网络、偏最小二乘回归以及传统普通多元线性回归方法,具有更高预测精度和泛化能力。     

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.     

基于支持向量机的装备故障诊断研究

支持向量机（SVM）是统计学习理论（SLT）的一种成功实现,它建立在SLT的VC维理论和结构风险最小化原理基础之上,能够较好地克服神经网络容易出现的过学习和泛化能力低等缺陷.提出了一种基于支持向量机的装备故障诊断方法,应用该方法成功地对某型装备几种典型故障进行了正确诊断.在对检验样本施加噪声后,支持向量机构成的故障分类器仍然能够满足发动机故障诊断要求,表明提出的故障诊断算法具有良好的鲁棒性和推广性.     

基于支持向量机的预测控制算法

采用基于支持向量机的模型预测控制法来实现非线性模型预测控制.控制器设计采用改进MOUSE(Modifled Univariate Search)方法来解决非线性约束优化问题.其具体实现通过计算种群适应值函数、检查每个解是否满足约束条件、选取一定数量产生子代的种群计算相应适应值,更新设计变量等步骤完成.     

基于支持向量机集成的导弹发动机压力预测

针对导弹发动机压力下降难以预测的问题,根据某型导弹发动机压力实测数据,首先将实测数据进行插值处理,然后利用前5组数据为输入数据,后一组数据为预测数据,采用支持向量机集成方法对导弹发动机压力进行模型辨识,实现导弹发动机压力预测.通过对3组发动机压力实测数据进行仿真分析,发现支持向量机集成预测误差最大为0.102%,满足导弹发动机压力预测要求,对导弹发动机压力预防性维修具有重要作用.     

基于二叉树支持向量机的某型装备故障诊断研究

提出了一种基于二叉树支持向量机的某型装备故障诊断方法,应用该方法构造了多故障分类器,并通过某型装备故障实例验证了该方法故障诊断结果的正确性,证明了该故障诊断方法具有良好的鲁棒性和推广性。     

基于支持向量机的缺失飞行参数预测方法

通过对统计学习理论与支持向量机的理论分析,提出了一种基于支持向量机的缺失飞行参数预测方法。通过对两种不同情况的仿真,结果表明这种方法可行、有效。     

基于支持向量机的柴油机燃油系统故障诊断

介绍了支持向量机（SW）的机理,应用SVM对柴油机燃油系统进行故障诊断,通过试验确定了SVM参数的选择方法．实践诊断结果表明,SVM具有较好的诊断效果,对故障样本诊断的准确度较RBF神经网络高．     

基于V-支持向量机与ε-支持向量机的非线性系统辨识

介绍了V-支持向量机与ε-支持向量回归机的原理,并针对函数辨识问题作了仿真和比较,分析了其异同与优缺点.探讨了利用支持向量机进行非线性系统辨识的方法,仿真结果表明了V-支持向量机的有效性与优越性,并分析了V-支持向量机中参数V的变化对辨识结果的影响.     

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。     

基于支持向量机的手写体数字识别

支持向量机的手写体数字识别中,采用美国邮政服务数据库.并取多个2层神经网络中的最好者得出2层神经网络结果,专门设计5层卷积神经网络Lenetl.所有的结果均直接采用点阵输入,将像素值归正到相应区域间,且不施加任何预处理.该方法与人工分类、神经网络、决策树等方法比较,其测试误差低,测试速度高.     

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。     

基于支持向量机的氢混天然气发动机性能预测

为提高氢混天然气（HCNG）发动机的标定效率,精确预测发动机参数,对一台氢气体积分数为20%的HCNG燃料发动机进行试验研究和性能预测分析。基于高转速低负载工况稳态标定试验数据,采用支持向量机（SVM）方法建立发动机参数关联模型,并利用不同寻优算法为模型寻找最优参数,以提高各项参数的预测精度。结果显示：若发动机运行于最大扭矩点火正时,则等效天然气比消耗（BSFC）最小,NO_x比排放（BSNO_x）也处于较理想的水平,尤其在增加氢气比例时,这些外特性有更加显著的提升;SVM模型可以较好地描述发动机输入参数与输出参数之前的非线性关系,自变量与因变量之间的相关性较强（决定系数R²均大于0.97）,模型的预测精度较高,利用遗传算法得出的最优预测模型具有较高的泛化能力,扭矩、BSFC、BSNO_x的平均绝对百分比误差分别仅为1.23%、1.98%、5.43%。     

基于支持向量机的热喷涂层接触疲劳寿命预测

针对热喷涂层接触疲劳寿命的预测问题,利用装备再制造技术国防科技重点实验室研制的新型接触疲劳/磨损多功能试验机(RM-1试验机),基于中心复合设计进行等离子喷涂Al2 O3-40％TiO2涂层(AT40涂层)受到接触应力、转速、涂层厚度和滑差率共同作用下的接触疲劳寿命试验,并通过扫描电镜观察涂层的失效形貌.采用3σ准则检...     

基于支持向量机的Mg/PTFE烟火药燃烧特性预测

为了提高烟火药燃烧特性预测的准确性,采用支持向量机(support vector machine,SVM)理论对镁/聚四氟乙烯(Mg/PTFE)烟火药的燃烧特性进行了预测,并将预测结果与测试结果进行了比较。结果表明,由支持向量机预测模型得到的结果与实验结果基本一致,预测的燃速最大相对误差为9.96%,燃烧温度最大相对误差为9.84%,燃烧热最大相对误差为4.20%。     

基于Bayes准则的支持向量机

支持向量机( SVM)在处理分类问题时,纯粹从样本的角度出发,其分类效果取决于训练样本的特性,不考虑待分类问题的当前信息。本文从导弹武器系统的数据交叉现象出发,通过对支持向量机的决策函数增加反映待分类问题当前信息的先验概率项,将Bayes准则融于支持向量机算法中,提高支持向量机的分类效果;给出了算法的推导以及实现步骤。通过导弹武器系统中的两个实例对算法进行验证,新算法比传统支持向量机算法具有更好的分类效果,并且算法的鲁棒性和敏感性都得到提高。     

基于核函数支持向量机的雷达辐射源识别

文中针对雷达辐射源信号环境复杂导致的正确识别率较低的问题,提出了基于支持向量机理论的雷达辐射源识别方法,并构建了基于多种核函数支持向量机的雷达辐射源分类器。通过在不同噪声环境下进行仿真实验,证明了支持向量机理论在雷达辐射源识别中的有效性,并比较了多种核函数支持向量机的识别效果。     

基于多特征信息的支持向量机数据关联算法

数据关联是多目标跟踪中的关键问题.利用信息融合技术和支持向量机分类模型,提出了一种新的多目标跟踪数据关联算法--基于多特征信息的支持向量机的数据关联算法.该算法充分利用了传感器的测量信息,从而减小了量测与航迹关联的不确定性;并且由于支持向量机算法是一个二次型优化问题,从而克服了人工神经网络训练过程中的局部极小值的问题.计算机仿真表明,该算法具有较高的关联性能.