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。     

基于改进PSO-LSSVM 的军用工程机械研制费用预测模型

针对传统参数法对装备研制费用进行预测存在的局限性问题,采用改进粒子群算法（particle swarm optimization,PSO）对LSSVM模型进行改进,构建军用工程机械研制费用预测模型。运用2种优化策略改进粒子群算法,对种群初始化过程进行控制、克服粒子群算法易于早熟的缺点。用改进后的粒子群算法优化最小二乘支持向量机的模型参数和核参数,以获得更好的预测效果。预测结果表明：该费用预测模型运用于军用工程机械研制费用预测,明显优于传统预测模型,具有很好的预测精度和效率。     

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。     

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.     

基于直接支持向量机的蒸发波导参数反演研究

针对蒸发波导反演过程中的非线性多值问题,提出了运用改进的最小二乘支持向量机算法——直接支持向量机,对蒸发波导的折射率剖面进行反演,仿真结果表明,该算法训练模型与抛物方程正向模拟结果吻合度高,相比最小二乘支持向量机,对传播损耗和折射率剖面的模型训练速度更快,训练完成后可以实现对蒸发波导参数的快速反演;比较遗传和神经网络算法反演的高度差值,结果显示了该算法具有更高的准确度。     

LS-SVM的矩形窗算法及其在非线性系统建模中的应用

最小二乘支持向量机是支持向量机的一种重要方法,但该方法不能用于在线辨识,并且可能导致计算膨胀问题.将最小二乘支持向量机与矩形窗算法相结合,可形成最小二乘支持向量机的矩形窗算法.由于该方法采用了在线递推,可有效克服坏数据对参数估计的影响,并可避免计算膨胀问题,提高了最小二乘支持向量机的计算速度.最后将该方法应用于非线性系统的建模中,仿真实例验证了该方法的有效性.     

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。     

基于差分进化支持向量机的作战效能评估方法

武器系统作战效能的评估具有重要意义。针对作战效能评估过程中影响因素复杂、小样本、非线性等问题,引入基于最小二乘法的支持向量机回归算法,用于作战效能的学习与预测。为了提高预测精度,引入差分进化算法进行支持向量机的参数优化选取。以地地导弹武器系统效能为例,分别采用 BP神经网络算法、经典支持向量机算法与本文算法进行仿真计算,结果表明差分进化支持向量机算法可很好地实现武器系统作战效能评估,具有较好的计算精度。     

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.     

偏最小二乘回归在导弹研制费用预测中的应用

分析了影响导弹研制费用的性能参数,提出用偏最小二乘回归方法来预测导弹研制费用.该方法对变量进行主要成分分析、典型相关分析和多元性回归,在处理存在多重线性相关的小样本多元数据方面精确度高.实例证明,该方法在导弹研制费用的预测应用中可行且精确可靠.     

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。     

基于岗位胜任力的通用装备保障分队训练需求分析模型

基于胜任力的通用装备保障分队训练需求分析模型,以胜任力为基本框架,通过对训练环境、影响要素、优秀人员关键特征的分析来确定分队不同岗位的训练需求,进而使训练内容和训练方法能够满足分队保障任务的需要,另一方面可以按照分队保障任务、武器装备等影响要素的改变来重构职责与任务,确认训练需求。     

基于集对分析的车辆装备保障分队训练质量评价

为科学、客观地评价车辆装备保障分队的训练质量,从训练投入、训练过程、训练产出分析影响车辆装备保障分队训练质量的因素,提出比训练考核成绩更为全面的训练质量评价指标体系。采用集对分析方法对车辆装备保障分队训练质量评价的实现进行研究,并以示例说明该方法的应用过程。     

基于熵理论的装备训练管理组织结构优化模型

以信息熵理论为基础,应用时效和准确度的概念描述系统组织结构,通过建立基于熵理论的评价模型分析装备训练管理系统的有序度,实现对不同备选方案的优选,结果可为装备训练机构体制编制改革提供一定的理论参考。     

基于AHP-模糊综合评估方法的虚拟装备训练评估模型

通过对某自行高炮虚拟训练平台作战指挥一般过程的分析,综合运用层次分析法和模糊数学方法,建立较为完备的训练水平评估指标体系和评估分析计算模型,其步骤包括：建立训练评估指标体系,确定因素集;确定特征因素的备选集;指标权重的确定;虚拟装备操作训练评估等。     

装甲装备维修器材需求数据模拟

为解决小样本条件下运用大数据驱动模型预测装备维修器材需求效果不理想的问题,提出一种新的数据模拟扩充算法.通过将不同时间段的器材累积消耗值作为相似度量改进了AP聚类算法,并对数据进行迭代聚类.结合改进后聚类算法的特点,将聚类为同一类别数据的各报告期器材相对消耗值考虑为正态分布数据,进而确定待预测数据各分量的正态分布数字特...     

基于性能退化指标的轴承剩余寿命预测及其应用

为确保系统可用性和降低维修成本,提出基于性能退化指标的轴承剩余使用寿命(remaining useful life,RUL)预测模型预测轴承的RUL。通过局部均值分解(local mean decomposition,LMD)将轴承原始振动数据分解为若干积性函数(PF)分量,并根据峰度准则选取有效的PF分量重构原始信号;提取重构原始信号的时域退化特征量,利用基于人工神经网络(artificial neural network,ANN)训练的注意力机制模型选择高质量特征;引入K_均值聚类算法与分段拟合获得健康的退化指标(health degradation indicator,HI),利用灰色回归模型(grey regression model,GM)评估轴承退化可信度范围,并建立基于HI的粒子群优化最小二乘支持向量机模型(particle swarm optimization least squares support vector machine,PSO_LSSVM)预测轴承RUL。实验结果表明,该方法在预测可靠性上取得良好的效果。