基于灰色马尔可夫模型的装备维修备件需求预测

针对武器装备维修备件需求量预测的难点,在全面分析各种预测方法的基础上,根据武器装备维修备件需求量是典型的小子样和贫信息的特点,在灰色GM(1,1)模型的基础上建立了灰色马尔可夫模型,并通过具体的实例进行验证,结果表明,灰色马尔可夫模型对具有随机性和波动性的非平稳随机序列具有很好的拟合效果,为武器装备维修备件需求量预测提供了一种新的途径和方法。     

基于灰色模型的INS／GPS故障实时预测算法

针对灰色理论中的GM预测模型,以及数据融合技术在复杂故障诊断方面的高效率,提出了一种综合灰色系统理论和多传感器数据融合技术的故障预测方法,仿真试验表明该方法可有效预测导弹制导系统传感器的故障。     

基于改进型灰色-马尔可夫预测模型的装备损耗研究

随着高新技术的发展,影响战场态势的因素错综复杂,针对战时装备损耗的特点,提出改进型灰色-马尔可夫预测模型,成功将其应用于某型航空弹药维修器材的消耗预测。该模型运用加速指数变换和几何平均变换方法处理原始数据,以提升灰色GM(1,1)模型的初步预测值的准确度。根据原始数据与初步预测值之差,运用模糊C均值聚类(FCM)法对状态空间进行合理划分,确定状态个数和聚类中心。为挖掘数据之间的相依关系,引入马尔可夫状态权重,以更合理地确定预测时间点的马尔可夫状态,获得最终预测值。实例分析表明该算法具有较高的精确度和可靠性,应用前景广阔。     

基于改进灰色马尔可夫链的电传动装甲车辆负载需求功率预测

为解决电传动装甲车辆负载需求功率预测精度偏低的问题,提出一种基于改进灰色马尔可夫链的组合功率预测方法。采用改进灰色预测方法和马尔可夫链预测方法对负载需求功率中的主体功率和残差功率进行预测,并在每个预测时刻将两种功率预测结果进行代数相加,建立改进灰色马尔可夫链组合预测方法。仿真结果表明：该负载需求功率组合预测方法相对于传统单一预测方法,能够较好地预测负载功率的强随机性变化特征,准确预测负载需求功率的变化趋势,预测精度最高提升了16.49%,可为后续能量管理策略提供有效参考信息。     

基于网上商品销售预测的灰色模型理论

根据对网上商品销售预测统计量的描述,结合了灰色模型预测法,利用F检验,确认了网上购物商品销售序列的长期趋势。结果表明：利用灰色模型预测法分析得到的网上商品销售预测与商家的目标期望函数有比较一致的符合。     

基于新息灰预测的导弹遥测参数预测算法研究

为了在导弹飞行中判决导弹故障,建立基于新息的灰预测算法。利用GM(1,1)模型的每一个预测值替换掉最老的一个信息,以实现新陈代谢,然后再以补充了新信息但序列长度不变的预测序列对反映导弹工作状态的遥测关键参数进行实时预测。通过Matlab仿真软件对原有GM(1,1)模型和改进的GM(1,1)模型进行分析比较,验证了改进后GM(1,1)模型预测精度比较高,易于实现,适合导弹故障的实时预测。     

灰色系统理论在故障预测中的应用现状及其发展趋势

灰色系统理论自提出以来便迅速得到推广并应用于各个领域,它是在少数据不确定性背景下处理数据、分析现象、建立模型并预测事物发展趋势.介绍了灰色系统理论在故障预测方面的应用,通过一个典型应用的实例阐述了灰色预测模型的理论基础及建模方法,并在此基础上分析了灰色预测理论在故障预测技术领域的应用现状及各自优势和缺陷.对其在装备系统故障预测技术领域的应用趋势进行了探讨.     

基于改进灰色模型的TBM末段机动弹道预测分析

TBM再入段机动会导致防空反导武器系统对其的跟踪、识别和拦截困难。针对这一问题,文中提出了基于区间预测的Verhulst预测方法。首先利用区间预测对原始数据进行处理,将修正后的样本带入Verhulst模型进行预测。通过对算例验证,得到了较为合理的预测数据。对三种方法的预测数据进行对比分析可以看出,新方法收敛性好、误差小的优势。     

基于灰色模型的某型装备可靠性相关参数预估

某型装备的无故障时间和故障间隔时间是系统重要的可靠性参数,装备的此类数据样本较少,而无故障时间基本服从指数分布,采用灰色模型建模比较合适。在对原始可靠性数据应用动态数据更新的方法进行重新构建的基础上,建立了基于动态数据更新的无故障时间和故障间隔时间预估模型。通过比较不同模型精度检验方法的评价结果,验证了该方法具备较高的预估精度,对模型更具实际应用意义的模型外推精度预估分析表明,该方法具有一定的应用价值。     

面向网络实时风险预测的马尔可夫时变模型

为了能实时准确地预测网络风险发生的可能性,帮助管理员对网络中的风险进行有效的管理,本文提出了一种用于实时风险概率预测的马尔可夫时变模型。基于此模型,给出了风险概率预测方法,通过实时更新模型中的状态概率转移矩阵,来预测未来时刻网络的风险概率。仿真实验将此模型应用于网络攻击环境下,结合特征提取、统计学习,来预测网络在不同风险等级下的概率。同传统的马尔可夫预测模型相比,该模型具有更高的实时性、客观性和准确性。     

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。     

一种新的基于灰色贝叶斯的装备库存预测模型

针对现代复杂战场环境下装备保障的随机性影响因素,提出用灰色预测解决装备保障中备件库存的预测问题。考虑到传统统计学在处理小样本数据时存在的不足,运用贝叶斯理论来对预测结果进行评估,通过推导倒伽玛分布的卡方变化,给出了简单的概率区间公式。最后通过实例进行了分析,证明了该方法优于统计学估计,特别是在历史数据较少的情况下,预测效果明显,对装备保障有现实的指导意义。     

基于马尔科夫链预测的多无人机协同搜索控制

研究了无人攻击机协同控制在运动目标搜索中的应用问题。首先建立了协同搜索问题的控制模型。然后将目标的运动和接受度图直接结合起来，用时齐马尔科夫链预测运动目标的位置。提出了改进近视眼搜索方式，可以利用实时探测信息不断修正目标位置概率分布。通过仿真，证明了新算法和协同搜索的优势。     

基于Markov过程的潜艇占位能力模型研究

潜艇占位能力是由于受到鱼雷航程和航速的限制，为保证一定的鱼雷命中（捕获）概率而占领有利射击阵位的能力。传统潜艇占位概率模型只考虑了潜艇能否进入鱼雷射击可行阵位域，而不是进入鱼雷有利发射阵位域。因此，传统潜艇占位概率模型应作为潜艇是否采取占位行动的表征，而不宜作为潜艇是否能成功占领发射阵位的能力度量。在充分考虑潜艇占位过程中的主要影响因素（包括潜艇隐身能力、潜艇抗打击能力、目标探测能力、目标攻击能力和占位时间等）基础上，基于Markov过程理论，本文建立了新的潜射鱼雷占位能力概率模型，新模型弥补了传统潜艇占位概率模型的未能考虑潜艇占位过程中各主要因素对潜艇占位能力的综合影响的不足，同时，考虑了各主要因素之间的关系对潜艇占位能力的影响，而不必假设各主要因素对占位的作用是相互独立的，并通过实例分析，证实了新模型的有效性。     

基于连续隐马尔可夫模型的仿真模型验证

将连续隐马尔科夫模型（CHMM）应用于仿真模型验证研究,在分段提取各可选仿真模型输出特征向量序列的基础上,采用Segmental K-Means算法训练并建立各可选仿真模型的CHMM,进而构建模型库;将实际系统的特征向量序列作用于模型库,依据其概率输出判别各可选仿真模型相对于实际系统的有效性。最后通过实例分析,证明了该方法的有效性。     

基于优化灰色模型的捷联惯组历次测试数据建模预测

捷联惯组历次测试数据由于受到多种随机因素的影响,其变化趋势具有非线性,同时测试数据又属于小样本.针对此特点,讨论了基于优化灰色模型的捷联惯组历次测试数据建模预测算法.首先对原始数据序列进行加速平移变换及加权均值生成,得到更适合建立灰色模型的数据序列,再采用优化背景值后的灰色模型对其变化趋势进行建模预测.实例分析证明,该模型能够准确反映捷联惯组历次测试数据的变化规律,比传统灰色模型有更高的精度.     

电子装备干扰目标的灰关联预测分配模型

电子装备的干扰目标分配是电子对抗作战研究的重要课题,但实战中的部分模型参数是无法实时获取的。电子装备的作战使用分为任务计划准备和实战使用两个阶段,提出可以利用计划准备阶段的有关历史数据来预测实战使用时的模型参数。首先提出了灰关联预测值的概念,给出了基于有限历史数据的计算方法;继而建立了实战中干扰目标的灰关联预测分配模型,并对算法进行了分析讨论。仿真示例结果表明建立的模型合理,算法可行,符合实战对电子装备干扰目标分配的要求。     

基于优化VARIMA 的无人机发动机飞行参数预测模型

为了预测无人机发动机飞行参数值,建立一种多参数关联的向量求和自回归移动平均模型(vector auto regression integrated moving average,VARIMA)。模型以无人机飞行数据作为输入,利用模拟退火算法对VARIMA 模型参数进行优化,构建多源飞行参数关联的数据模式,利用构建好的数据模式实现状态参数的预测。选取无人机 多次飞行的飞参数据进行实验。实验结果表明：优化后的VARIMA 预测模型预测性能好,比优化前的预测用时节省 了0.23 s。