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。     

基于粗糙灰色预测的装备维修资源需求预测模型

面向装备维修资源保障任务,首先采用粗糙集理论,通过属性约简算法,简化装备维修备件资源消耗影响因素,在此基础上利用灰色预测模型,对基于虚拟仓储的装备维修资源需求进行预测,通过与单一的灰色预测方法结果相比较,将粗糙集与灰色预测模型相融合的方法应用于装备维修备件资源预测的结果可靠、信息准确,并且预测值与实用值的相对误差和绝对误差很小,达到了准确预测的效果;从而验证了此模型与算法的有效性,为信息化战争中提高装备维修备件资源保障功能提供理论与方法支持。     

基于故障规律的导弹备件消耗预测

针对导弹备件消耗存在波动性而难以准确预测的问题,在分析导弹备件消耗与导弹装备故障关系的基础上,提出了根据导弹装备故障规律来预测导弹备件消耗的思路。首先建立了导弹装备故障次数灰色预测模型;然后重点从导弹故障件流程分析、故障件相关参数的确定和消耗量计算公式的推导着手,建立了导弹备件消耗预测模型。算例结果表明,基于故障规律的导弹备件消耗预测方法具有较高的精度。该方法从备件产生的根源角度分析备件的消耗,具有重要的理论意义和实用价值。     

作战数据质量模型构建与质量评估

采用粗糙集与BP神经网络理论相结合的方法对作战数据质量进行了评估。在评估模型构建上,分析了影响作战数据质量的多种因素,确定了评估指标体系,组建了作战数据质量评估元及评估网络,构建了六元组评估模型。在作战数据质量评估上,利用粗糙集理论对评估指标信息进行了约简,利用BP神经网络理论对作战数据质量进行了评估。通过数据分析,结果显示该方法评估误差小,方法简单、实用。     

装备维修备件需求预测与决策方法研究

以装备维修备件需求预测与决策问题为研究对象,依据某部队特种装备维修备件需求量统计数据,运用粗糙集协调近似表示空间模型方法,建立了该作战单元装备维修备件需求量的知识表示系统,并应用该方法对其决策信息系统进行属性约简、规则融合,获得较好的预测与决策规则。该研究对快速、精确预测装备维修备件需求量和实现装备保障精确化具有重要技术支撑作用。     

基于BP神经网络的野外驻训备件需求预测研究

针对传统的备件需求预测方法主观性强,缺乏科学性等问题,以通信部队野外驻训为背景,从备件需求影响因素出发,提出一种基于BP神经网络的预测算法。对备件精确保障及需求预测和BP神经网络及其适用范围进行简要介绍,分析了备件需求影响因素,以某型电台的功放模型为样板,对BP神经网络预测算法的适用性进行了检测。结果表明,该方法能很好地提高备件需求预测精度,满足装备保障精确化的要求。     

基于RBF神经网络的导弹成本预测研究

分析了现代导弹成本估算中存在的问题.应用RBF神经网络建立了导弹成本预测模型,并采用该模型对某型导弹成本进行了预测.与多元线性回归和BP神经网络的预测结果对比,建立的新型导弹成本预测模型具有更高的预测精度.     

基于变精度粗糙集的导弹需求量预测模型

建立了基于变精度粗糙集的战时导弹需求量预测模型。在对导弹需求量影响因素分析的基础上建立了导弹需求量预测决策表,采用基于属性重要度的启发式算法求解β近似约简,从而获取导弹需求量预测的相关规则。结果表明,该模型具有一定的有效性,为战时导弹需求量预测提供了一种新的途径。     

基于BP神经网络的空空导弹贮存可靠性预测模型研究

针对空空导弹在长期的贮存过程中环境因素对其可靠性的影响,提出了一种基于BP神经网络的建模方法。该方法首先对空空导弹进行分析,确定神经网络的结构;然后对环境信息进行加权融合,形成输入样本,再将检测时刻可靠度的点估计作为输出样本,训练神经网络;当误差达到要求后,根据在导弹贮存期间所采集的环境信息预测导弹当前的可靠度。     

用BP神经网络估算反舰导弹的价格

将神经网络技术应用于反航导弹的价格预测领域，选择了恰当的参数作了BP网络的输入变量，建立了一种基于BP神经网络的反舰导弹的价格模型，并对典型的反航导弹价格进行了估算，结果表明，该方法是有效的，可行的。     

神经网络在导弹贮存可靠性预测中的应用

为了更准确预测导弹贮存可靠性,提出基于全局逼近BP网络和局部逼近RBF网络对导弹贮存可靠性进行预测,给出了预测的基本步骤,分别基于BP网络和RBF网络对某型舰舰导弹的贮存可靠性进行了预测,结果表明:这两种网络都能够解决导弹贮存可靠性预测的问题,预测误差均满足要求;RBF网络预测精度略高于BP网络,具有更好的函数逼近能力。RBF网络更适用于导弹贮存可靠性的预测。     

基于RBF 神经网络的导弹备件需求量预测仿真

针对导弹部署后期与备件有关的各项保障数据相对较多的情况,提出采用径向基函数（Radial Basis Function,RBF）网络方法。以某型导弹的某备件为预测对象,对导弹维修备件需求影响因素进行分析,介绍RBF网络的结构、工作原理及预测步骤和流程图,并进行仿真结果分析。分析结果表明,该方法比普通前向网络训练省时,能解决备件需求量的预测问题。     

面向任务携行航材品种确定和消耗预测的特征选择分析

为进一步提高对携行航材品种确定和消耗数量预测的准确性,针对非线性多影响因素的品种分类和消耗预测模型中的特征选择问题进行研究.对影响携行航材需求的因素进行分析,建立三级特征体系,并针对品种确定和消耗预测提取相应的特征集合;采用XGboost、灰色关联度分析(grey relation analysis,GRA)、决策试验和评价实验法(decision making trial and evaluation laboratory,DEMATEL)等方法对各影响特征进行重要性排序和相关性分析;综合运用定性和定量分析方法筛选特征;分别建立可用于品种确定和数量预测的精简版特征集合.该研究可为后续提高携行航材品种确定和预测的准确率和运算效率提供参考.     

基于神经网络的导弹惯性器件故障预报系统研究

在导弹武器系统当中,及时准确地故障预报对提高导弹的安全性具有极其重要的意义.针对导弹惯性器件故障预报系统的设计要求,考虑到神经网络用于故障预报的优点,在神经网络技术应用于导弹惯性器件的故障预报过程中提出了神经网络的训练算法,把神经网络、预测理论和故障诊断系统有机结合起来建立了一个故障预报系统,利用该系统选取神经网络预测模型对某导弹陀螺随机漂移进行建模和分析,实现了故障预报.实例预测结果证明,给出的神经网络预测模型和训练算法是可行的.     

现代战争条件下地导装备备件库存数量优化分析

对地导部队装备故障发生的概率、备件的需求及消耗情况、经费使用、备件在武器系统中重要度等因素进行分析,认为备件存储量可以降低,即不必按照备件的最大需求量来储存备件,而是根据备件存储不同状态下的最低库存量和备件重要度来决定备件的必要储备量。采用马尔科夫决策规划来分析零备件的随机动态存储问题,并结合实例进行分析。     

一种新的用于网络层故障检测算法--RRBFNN

提出一种基于粗糙集和径向基函数思想的网络层故障检测算法一：RRBFNN.该方法具有简化样本、适应性强、容错性高等特点,能有效处理网络层故障诊断中噪声和不相容的信息。由于检测问题的实质是ー种映射,该方法用ー种前馈型网络来逼近这种映射关系,实现对故障的有效分类。同时,RRBFNN结构可以随着网络层中各种服务和应用的变化而构造。仿真表明,利用该方法实现的系統与同类的其他方法相比,提高了检测准确率和诊断速度。