共查询到18条相似文献,搜索用时 125 毫秒
1.
2.
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。 相似文献
3.
4.
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. 相似文献
5.
6.
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. 相似文献
7.
8.
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。 相似文献
9.
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. 相似文献
10.
11.
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。 相似文献
12.
基于最小二乘支持向量机的机枪加速寿命建模 总被引:2,自引:2,他引:0
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。 相似文献
13.
14.
15.
16.
17.
18.
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。 相似文献