基于特征加权K最近邻的无人机武器发射过程参数预测

针对K最近邻算法难以建立高精度的非线性模型问题,提出了一种基于特征加权的K最近邻预测方法。为提高模型的预测精度,该方法从特征重要程度的角度出发,采用Bootstrap特征加权方法对K最近邻算法进行特征加权。为了验证该方法的有效性,对无人机武器发射过程参数进行了预测。实验结果表明,与其它算法相比,该算法不仅体现了样本数据在模型中的作用,而且具有较高的预测精度。     

基于最小二乘支持向量机的机枪加速寿命建模

加速寿命试验可以在短时间内对产品寿命进行有效评定。针对以往机枪加速寿命模型预测能力较差的问题,提出了基于最小二乘支持向量机（LS-SVM）建立加速寿命模型的方法。以机枪寿终射弹量为寿命特征,以试验环境温度、枪管最大温度、射击间隔时间以及最大膛压为加速应力建立了机枪加速寿命模型。由于LS-SVM的参数选取是决定建立模型优劣的关键因素,因此采用遗传算法对LS-SVM参数进行优化选取。通过分析比较LS-SVM与常规变换方法和BP神经网络建立的机枪加速寿命模型精度,结果表明利用LS-SVM方法建立的模型明显优于其他2种方法,验证了LS-SVM在机枪加速寿命预测应用中的有效性。     

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。     

基于器件参数的五冗余捷联惯组配置方法

针对低成本冗余捷联惯组导航精度无法进一步提升的问题，提出一种基于器件参数确定五冗余惯组各轴向仪表的安装角度的方法，并对五冗余惯组冗余轴器件配置要求进行了分析。该方法通过加权最小二乘估计，基于各轴器件参数确定数据融合时使用的加权矩阵，并以此为基础确定器件最优安装角度，使捷联惯组的导航精度达到最优。仿真结果表明，在器件参数确定时，经该方法得出的配置方案，20 min静态仿真相比三轴导航位置误差减小10.89%,加入合适的加权矩阵后，相比未加入加权矩阵导航位置误差减小9.5%,相比三轴导航位置误差减小19.35%。该方案在不改变惯组总成本的情况下提升了惯组的导航性能。     

基于LS-SVM的新机备件需求预测

为解决因新机备件历史消耗数据相对较少而给备件预测工作带来的困难,提出应用最小二乘支持向量机(least squares support vector machine,LS-SVM)回归算法来实现新机备件需求的预测.阐述了最小二乘支持向量机的基本原理,建立了新机备件需求的预测模型,选取核函数,采用LS-SVM对训练样本进行学习,对其网格结构参数进行训练,通过十字交叉验证(cross-validation)和网格搜索(grid-search)确定最优参数,利用训练后的LS-SVM对新机备件需求进行预测,并进行算例仿真.结果表明,LS-SVM在新机备件需求预测上表现优秀.     

基于贝叶斯估计的加权最小二乘分布式融合

针对不同观测矩阵加权最小二乘算法没有考虑到模型参数本身信息的共同缺点,提出基于贝叶斯估计的带不同观测矩阵的加权最小二乘分布式(Bayes Estimation Weighted Least Square,BEWLS)融合Kalman滤波算法。该方法首先采用推广的离散卡尔曼滤波对非线性系统线性化,然后在考虑模型参数本身的先验信息条件下,采用基于贝叶斯(Bayes)估计方法对Kalman滤波算法的观测方程进行加权最小二乘融合。BEWLS融合算法减少了计算负担,提高了融合精度,便于实时应用。理论和仿真证明:BEWLS融合具有优越性。     

基于D-S证据理论的导弹制导控制系统的联合最小二乘支持向量机预测模型

针对导弹制导控制系统电子设备密集、各性能特征参数间相互耦合关联性强、使用传统最小二乘支持向量机（LS-SVM）预测精度不高的问题,通过分析特征参数的时间相关性与空间相关性,对传统LS-SVM进行了改进,并利用D-S证据理论在数据融合中的优势,将传统与改进的LS-SVM进行融合,建立了联合最小二乘支持向量机（ULS-SVM）预测模型。以导弹制导控制系统为例,实现了关键参数预测。结果验证了模型的合理性与有效性。     

基于粗糙集和熵权以及改进支持向量机的导弹备件消耗预测

在系统分析武器装备备件预测方法研究现状和导弹备件消耗特点的基础上,提出把粗糙集(RS)、熵权(EW)法、自适应粒子群优化(APSO)算法与加权最小二乘支持向量机(WLS-SVM)的组合预测模型应用于导弹备件消耗预测的构想。阐述了粗糙集、信息熵、自适应粒子群优化算法和WLS-SVM的基本原理,并改进了APSO的搜索方式和最小二乘支持向量机(LS-SVM)的加权方法;建立了基于RS、EW法和自适应粒子群优化WLS-SVM的导弹备件消耗预测模型,并分析了其实现过程。实例结果表明,所建立的组合预测模型在进行导弹备件消耗预测时具有较高的精度和重要的实用价值。     

基于滑动参数实时估计的履带车辆运行轨迹预测方法研究

要实现履带车辆的无人驾驶,在轨迹规划阶段需要准确预测其未来一段时间内的运动轨迹,然而履带与地面之间的滑动使车辆运动轨迹的准确预测变得非常困难。通过研究转向过程中履带接地段的运动,建立基于瞬时转向中心的履带车辆运动学模型。针对车辆的相对位姿是滑动参数的泛函,雅可比矩阵难以求解的问题,通过对泛函微分方程线性化,推导了雅可比矩阵的解析解。根据车辆相对位置计算值和测量值的差值,运用Levenberg-Marquardt算法迭代求解滑动参数,并结合给定控制序列预测未来一段时间内车辆的运动轨迹。该方法不需要提前知道土壤参数,并且能够实时估计滑动参数,以适应路面变化。实车试验结果表明,与传统轨迹预测方法相比,利用该方法预测车辆轨迹时,车辆位置偏差减少30%以上。     

基于加权Hausdorff距离矩阵测度的SAR图像与光学图像匹配研究

针对多传感器图像匹配问题,提出一种基于加权Hausdorff距离矩阵(Weight Hausdorff Distance Matrix,WHDM)测度的合成孔径雷达(SAR)图像与光学图像匹配算法。该算法采用边缘特征作为SAR图像与光学特征的共性特征,克服了两种不同图像的灰度不一致性。算法中提出了基于边缘连续性密度加权的Hausdorff距离矩阵范数测度的相似性准则,该测度相对经典的Hausdorff距离与改进的距离测度相比,具有更高抗噪声水平与大比例遮挡能力。试验结果表明,这种算法匹配精度高,适合并行计算,该算法可应用于无人飞行器的自主导航中。