基于IGWO组合模型的炮控系统健康预测方法

针对单一模型对炮控系统组成部件的健康预测精度低、适用性差等问题,提出一种改进灰狼优化算法(IGWO)的组合预测方法。通过改进灰狼优化算法(GWO)的收敛因子,提高全局搜索能力,避免陷入局部最优值;选择在健康预测中效果较好的ARMA、RBFNN、LSSVM模型,搜索3种模型的最优权重系数并建立组合预测模型;以陀螺仪组为例,将其温度传感器阻值与漂移度数据分别带入单一模型、IGWO组合模型和其他组合模型中进行健康预测。通过对预测结果的误差评价分析与RUL误差比较,可以得出,IGWO在搜索组合模型最优权重系数方面优于GWO,预测精度也优于其他组合模型,且预测效果稳定。     

基于IOWA 算子的装备备件需求量组合预测模型

针对传统预测模型在预测过程中信息利用不充分和预测对象复杂多变的问题,建立一种基于IOWA算子的最优组合预测模型。该模型利用IOWA算子集合灰色系统建模和小波神经网络处理非线性复杂系统的优点,以误差平方和为准则对数据进行分析,并利用Matlab工具箱对其进行优化计算,从而得出最优组合预测结果。实例分析结果验证了该组合预测模型的科学性和优越性。     

灰色神经网络在空舰导弹寿命预测中的应用研究

结合灰色理论与BP神经网络建立了灰色神经网络组合预测模型.该模型有效地将灰色理论弱化数据序列波动性的优点和神经网络特有的非线性适应性信息处理能力相融合.利用三种灰色模型及灰色神经网络模型对某型空舰导弹某电子设备的失效时间进行预测,研究结果表明灰色神经网络预测效果明显优于灰色模型,是一种实用的且精度较高的预测方法.     

基于蚁群改进BP算法的组合预测模型

针对非线性预测工作中难以保证精度的问题,提出了基于蚁群改进BP算法的组合预测模型。先利用灰色预测方法和自回归滑动平均模型(ARMA)时序预测利用历史数据进行初步预测,将初步预测结果作为蚁群改进BP网络的输入。通过仿真比较其与单一预测算法以及传统线性组合预测方法之间的优劣。仿真结果表明,基于蚁群改进BP算法的组合预测模型能够明显地提高预测精度。     

基于ANGM(1,1)和PSO-BP神经网络组合模型的身管烧蚀磨损量预测

在火炮射击过程中,身管烧蚀磨损会对火炮性能产生不利影响,烧蚀磨损量预测对提高火炮性能及寿命均有较大意义。由于常规数据拟合和预测方法在预测火炮身管烧蚀磨损量时存在较大的误差,在分析传统预测模型优化方法的基础上,针对身管烧蚀磨损量具有单调性和波动性特点,提出了改进的灰色模型ANGM(1,1),并结合基于粒子群算法优化的BP神经网络模型,建立了ANGM-PBP组合模型。对实弹射击测得的16组试样的实例应用分析表明,该组合预测模型的相对误差在±3%以内,平均相对误差低至0.74%,说明该组合模型的精度较高,适应性和可靠性均有所增强。该研究为火炮身管寿命预测提供了解决方案。     

一种改进的灰色BP 神经网络预测模型

为提高灰色GM(1,1)模型的预测精度和BP 神经网络的映射能力,提出一种改进的灰色BP 神经网络预测 模型。通过分别对灰色系统理论和BP 神经网络2 种模型进行改进,再串联组合成新的预测模型,并结合实测数据 进行仿真试验。结果表明：改进后的模型能兼具二者优点,预测精度有较大提高,相对误差减小,运算速率更快。     

基于灰色残差修正理论的目标航迹预测方法

针对灰色理论在智能反坦克子弹药对地面目标航迹预测的精度问题,提出两种灰色残差修正的航迹预测模型：标准灰色残差修正模型(GRMM)和基于灰色Verhulst模型理论的灰色Verhulst残差修正模型(GVRMM)。建立目标航迹灰色预测模型,并分析了灰色模型的局限性;对预测值与测量值的残差序列采用GRMM和GVRMM两种模型进行了在线预估,并利用残差预测值对航迹预测值进行实时修正。通过仿真实验验证了基于在线残差修正机制的方法能够有效减少目标跟踪误差,GVRMM的误差修正效果更加明显,具有良好的实用性。     

基于ARIMA和支撑矢量机组合预测的惯性器件故障预报

文中提出一种基于ARIMA和支撑矢量机进行组合预测的方法,该方法综合运用ARIMA良好的线性拟合能力和支撑矢量机强大的非线性映射功能,将两种预测模型有机地组合在一起,综合各自优点,以期有效改善模型的拟合能力,获得最优预测效果.文中将该方法应用于某飞行器惯性器件的故障预报当中并进行了仿真实验.结果表明,这种方法相对于单项模型的预测具有更高的精度,对于复杂时间序列的分析和预测有很好的应用价值,在故障预报中具有广泛的应用前景.     

基于灰色马尔可夫模型的装备故障间隔期预测研究

针对武器装备故障间隔期预测的难点,提出了在灰色GM(1,1) 模型的基础上建立灰色马尔可夫组合模型进行故障间隔期的预测。在分析典型电子装备故障率曲线的基础上,根据电子装备的故障特点,形成合理的建模背景,建立组合模型对装备故障间隔期进行预测。通过实例对预测值和真实值进行比较,表明在“少数据冶、“贫信息冶、“ 不确定冶的情况下利用该组合模型预测故障间隔期的有效性,有效降低预测误差,提高预测精度。     

优化自适应灰色预测模型及其在导弹故障预报中的应用

导弹武器的特点导致了无法利用大量的试验数据对其进行可靠性的预测和评定,因此文章引入灰色系统理论来解决小量数据预测问题.通过对灰色模型建模的机理进行了深入的讨论,得到了导弹贮存可靠性的预测模型,并根据导弹储存周期长的特点,引入自适应方法对其预测模型进行优化.按照优化自适应灰色预测模型和基本模型对导弹惯性器件进行贮存可靠性的预测,证实了优化自适应模型的预测精度高于基本模型预测结果,预测的长期效果也能达到良好的效果.     

基于组合模型高精度预测弹丸径向速度的方法

利用连续波雷达测试弹丸径向速度时,会遇到弹丸、火炮、雷达及外界因素异常,测试的径向速度会出现缺失,导致递推出的炮口初速不准确。为此,选择建立合理的模型预测出缺失的径向速度对数据进行重构。雷达测试的径向速度属于一维数据,大口径弹丸的径向速度主要包含线性特征,小口径弹丸的径向速度既包含线性特征又包含非线性特征,都可以建立ARIMA模型、GM(1,1)灰色模型和回归模型进行预测。但是这些传统模型有时预测能力比较局限,预测精度不理想。为了充分整合所有模型的预测优势,提高预测精度,选择建立组合模型进行预测。针对大口径弹丸,建立由ARIMA、GM(1,1)和一阶线性回归方程构建的组合模型进行预测,针对小口径弹丸,建立由ARIMA、GM(1,1)和二次多项式回归方程构建的组合模型进行预测,为了保证预测精度,按照迭代的方式进行预测。实验结果表明,无论是大口径弹丸还是小口径弹丸,组合模型的预测精度始终高于单项模型,平均相对误差小于1‰,更加适合作为弹丸径向速度的预测模型。     

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。     

一种新的火炮剩余寿命评定方法

为了准确地对火炮剩余寿命进行评定,通过研究火炮内膛径向磨损量和内弹道性能变化量的相关关系,提出了基于最小二乘支持向量机的单截面火炮特性模型,并引入量子粒子群算法进行模型反演分析,确定最优参数,以预测模型综合有效度为加权系数,对单截面模型加权平均.建立了火炮多截面剩余寿命评定模型.对实弹射击测得的10组试样的实例进行应用分析,得出该模型预测误差为0.006%,验证结果表明,该模型的精度较高,有一定的实用价值.     

一种光电跟踪平台共轴控制的目标运动滤波方法

目标运动估计是光电跟踪平台实现共轴控制的核心。针对目标运动的滤波精度问题,提出了基于灰色预测模型和卡尔曼理论的目标运动融合滤波方法。利用少量前几个时刻的目标运动数据实时在线建立灰色预测模型,替代标准卡尔曼滤波的目标状态预测方程,避免了需要预先假定目标运动数学模型而引起滤波误差的弊端。进一步对灰色模型预测值和融合滤波估计值的残差序列,构建残差在线预估模型;利用残差预测值对灰色预测模型进行实时修正,有效地提高了灰色模型的预测精度,改善了融合滤波的效果。仿真实验验证了灰色模型在目标运动预测中的有效性。实验结果表明：残差修正策略将灰色模型预测精度提高了60%;与其他滤波方法相比,提出的融合滤波方法具有更好的滤波效果及更准确的目标运动估计。     

基于神经网络回归分析组合模型的能源消耗预测研究

通过对时间序列数据进行处理,分别建立回归分析预测模型和BP神经网络预测模型,在此基础上建立基于2种预测方法的组合预测模型。采用熵值法确定组合预测模型的权系数。结合某省能源消耗总量数据进行仿真,结果与实际数据的误差较小,和2种单一的预测方法相比,预测结果更接近于实际情况。     

基于时间连续灰色Markov模型的维修器材需求预测方法研究

运用时间连续且状态离散的灰色Markov过程模型,对装备维修器材的需求量进行了预测。根据装备维修器材消耗历史数据的变化幅度和数据的分布情况来划分状态区间。由各区间状态的转换情况得到Markov模型状态间的一步转移概率,论证与运用Kolmogorov微分方程求解各状态概率的时间函数并建立状态概率预测式,根据预测状态的概率值确定了灰色预测值的定位系数并求解预测值。算例分析表明,在预测维修器材需求量数据时,灰色Markov改进模型的预测精度较GM(1, 1)模型、一般灰色Markov残差修正模型以及时间离散灰色Markov链预测模型有了稳定提高,证明了该模型的有效性和实用性。     

基于麻雀搜索算法优化BP神经网络的弹丸射程预测研究

弹丸发射参数、气象条件等会影响弹丸射程,其构成的影响体系复杂并难以准确预测。针对BP预测算法会因初始权值和阈值取值不当导致陷入局部最优的问题,建立了麻雀搜索算法(SSA)优化BP神经网络的弹丸射程预测模型,以弹丸射程作为输出指标,选取弹丸初速、发射角度和风力条件作为影响因素输入,经过数据预处理后进行弹丸射程预测;同时与粒子群算法(PSO)和遗传算法(GA)优化BP神经网络预测模型的预测精度进行对比,验证SSA优化BP神经网络模型的预测效果。结果表明,SSA-BP预测模型的平均绝对误差、均方根误差和平均绝对百分比误差分别为10.456 4 m、11.831 3 m和0.058 13%,低于BP、PSO-BP、GA-BP预测模型的相应评估指标,所以SSA-BP模型的预测精度高于BP、PSO-BP、GA-BP预测模型,其可以为弹丸射程预测和远程火力打击研究提供支持。     

基于非等间距灰色模型的捷联惯组误差系数建模预测

捷联惯组历次测试数据由于受到各种因素的影响,数据量少,而且测试时间也是非等间隔的.针对这一特点,提出了捷联惯组误差系数非等间隔灰色建模预测新方法.通过3次样条函数插值,将不等间隔序列调整为等间隔序列;同时将基本预测模型中参数的构造方法加以改进,从而建立非等间隔时序灰色模型.实例分析证明该模型能够准确反映捷联惯组历次测试...     

基于灰色理论的Gadget天气预报系统的设计与实现

随着Gadget桌面应用的不断增加,如何更好地利用Gadget为计算机用户的工作和生活服务逐渐成为一个研究热点。对Gadget的基本原理和实现技术进行了分析,在此基础上利用灰色系统建立GM（1,1）预测模型,用于预测未来3～5天的日均值最高气温和日均值最低气温,并对预测模型进行了精度检验,实验结果表明本模型的预测精度较为良好。     

基于数据融合和改进新陈代谢不等间距GM(11)模型的导弹装备故障预测

针对导弹装备故障预测中存在数据采样时间间隔不均匀、采样难度大、数据量小等问题,借鉴数据融合技术和灰色预测理论,提出一种基于数据融合和改进新陈代谢不等间距灰色模型（AMUGM(1,1)）的预测方法。建立改进初始值选取和背景值构造的不等间距灰色模型,并通过残差修正和新陈代谢相结合的方式对模型进行优化;基于加权思想提出了隶属度加权法,以确定各模型的隶属度权值;根据隶属度权值和AMUGM(1,1)模型建立特定个体的故障预测模型。实例仿真验证了该方法的有效性。