基于最小二乘支持向量机的航材备件需求建模

基于最小二乘支持向量机(LS-SVM)的航材备件需求预测模型,根据航材备件需求的保障任务、航材性能、环境及人事等影响因素建立.假设系统为单输入单输出,定义其输入输出时间序列集.采用LS-SVM算法,确定NARMAX函数.最后利用系统在正常输入输出时的数据对LS-SVM进行离线训练,得到系统需求模型.     

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。     

基于混沌和支持向量机的预测模型分析与应用

应用混沌动力学理论对某型发动机压气机的试车时间序列数据进行处理,计算出最大Lyapunov指数,得到了最大有效预测步数.在此基础上建立支持向量机预测模型,利用支持向量机强大的非线性映射能力,实现时间序列的非线性预测,结果证明该方法具有较高的预测精度.     

基于LS-SVM的飞机部件故障率预测

支持向量机具有完备的统计学习理论基础和学习功能。它用核函数建立预测模型,再用已知数据为学习样本训练学习机,用检验样本进行验证、预测系统未来故障。最小二乘支持向量机(LS-SVM)采用最小二乘线性系统作为损失函数,函数估计精度高、收敛速度快。基于支持向量机的多层参数寻优、等维信息一步预测和不等维信息多步预测,可用于飞机状态评估、故障诊断和参数预测以及故障率分析。     

飞机完好率预测仿真研究

利用飞机完好率时间序列特性,建立了NAR神经网络模型和基于不同核函数的3种支持向量机模型对平时状态下的飞机完好率变化趋势进行建模、训练和预测;运用Matlab仿真软件进行试验验证,结果表明:支持向量机模型具有较好的拟合效果,预测精度优于NAR神经网络模型,基于RBF核函数的支持向量机预测准确率相对较高.两种预测模型相比于部队现行的预测方法均具有更高的准确度和可靠度.     

基于IPSO_LS-SVM 的国防科研项目概算价格估算研究

为解决国内在估算方法选择和模型性能优化上存在的问题,利用改进的粒子群算法优化最小二乘支持向量机(least squares support vector machine,LS-SVM)的参数选择方法,对国防科研项目概算价格估算进行研究.依据最小二乘支持向量机原理,通过优化其参数选择方法,建立了IPSO_LS-SVM概算价格估算模型,并对其进行模型训练和结果验证.结果表明:IPSO_LS-SVM方法估算精度更高,参数寻优速度更快,其估算模型具有有效性和优越性.     

基于Hausdorff距离的支持向量机训练集选取方法

支持向量机是一种新的数据分析方法,应用到越来越多学习问题领域。支持向量机的训练速度和精度与训练集的选取有很大的关系,在对比分析分解算法、SMO(序列最小优化)算法和增量算法的特点和不足的基础上,提出了一种基于Hausdorff距离的训练集的选取方法,利用Libsvm在几个标准数据库上对几种算法进行实验,结果表明,新的算法在速度和精度上具有较大的提高。     

基于改进的LS-SVM地空导弹生存能力的预测

针对最小二乘支持向量机(LS-SVM)缺失的鲁棒性以及参数难以选择的问题,提出了改进的LS-SVM预测建模方法。该方法首先从样本特征重要程度的角度出发构造特征加权矩阵,然后利用该特征加权矩阵对LS-SVM进行加权,最后采用了人工鱼群优化算法选择模型参数。通过对基准数据集的仿真验证了该方法的有效性和可行性,并将其预测地空导弹生存能力,获得了满意的结果。     

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.