基于组合神经网络的装备研制费用预测研究

利用组合神经网络预测法.对装备研制费用进行预测研究.采用了两层预测系统第一层用灰色模型和神经网络分别对装备研制费用进行预测,第二层用BP网络对第一层的输出进行组合预测.通过对某型装备研制费用的预测分析,证实了本模型的科学性与正确性.     

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.     

改进BP网络在装备维修费用预测中的应用

提出了一种BP神经网络理论的改进算法,在此基础上建立了时间序列对象的预测模型,根据预测模型,对某型装备使用维修费用进行预测,并与实际使用维修费用进行了对比.结果表明此模型准确,并具有应用泛化能力,该算法为费用预测提供了一条新途径.     

应用改进的BP神经网络预测导弹的研制费用

结合导弹武器系统研制的特点，分析并确定了影响导弹武器系统研制费用的主要因素，并在前人研究的基础上，提出了基于改进的BP神经网络的费用预测模型。该模型不仅克服了以往由于专家主观因素而造成的负面影响，而且提高了算法的运行效率和模型的预测精度。通过具体的实例分析比较，充分证明了利用该方法的科学合理性。最后探讨了利用BP神经网络进行数值预测的方法和应该注意的问题，并给出了一些有益的建议。     

模糊综合评价方法在武器装备项目研制费用估算中的应用

影响武器开发研制费用的因素有很多,包括诸多不可量化的客观因素和主观人为因素以及工程研制中不可预见的因素,单纯靠技术指标难以充分反映武器装备研制费用的实际需求.因此,本文根据模糊综合评判方法,结合武器装备研制特点,建立一种研制费用估算的模糊综合估算模型.鉴于武器装备研制费用估算工作的复杂性,在对研制费用影响因素定性分析的基础上,模型将影响研制费用的因素分为三个层次,并由下往上逐层进行估算.实例表明,该模型为研制费用的估算提供了一种比较合理的方法.     

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BP神经网络的燃气流量可调固体冲压发动机推力建模方法研究

针对流量可调固体冲压发动机稳态数值模型建立的问题,提出了一种基于BP神经网络的建模方法。该方法利用数值计算与试车台试验数据相结合的方法,得到基于高度、马赫数、迎角、燃气发生器压强、补燃室压强五个关键特征参数的推力数据库,基于该数据库建立了多层BP神经网络模型,并对该模型进行了校核验证。结果表明:所建立的多层BP神经网络模型可精确预测理论数值计算模型,可代替复杂的数值计算模型或大规模的推力数据库,为固体冲压发动机弹上控制系统产品的研制奠定了基础。     

基于参数法的3种研制费用估算模型

以防空导弹武器系统研制费用估算为研究对象,阐述了参数费用法中数据收集整理和自变量的选取两个重要内容,介绍了最小二乘、偏最小二乘和BP神经网络的原理,然后以国外8种型号导弹研制费用为实例,研究了如何建立这3种研制费用估算模型,最后对3种估算模型的计算结果进行了对比分析,得出了3种估算模型的优劣,并阐明了原因。本研究结果,对防空导弹武器系统研制费用的估算具有积极的参考意义。     

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的装备研制费用建模与分析

应用最小二乘支持向量机原理建立基于最小二乘支持向量机的装备研制费用预测模型,利用LS—SVM方法对装备研制费进行预测步骤包括样本数据准备、模型训练学习、训练结果评估等循环过程,然后应用实例进行预测与分析。结果表明采用最小二乘支持向量机进行装备研制费用预测,所需样本量少、预测精度高、泛化能力强。