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。     

基于遗传算法优化LSSVM的初速预测

利用两台初速雷达测试弹丸炮口初速的试验中,当一台雷达的数据出现缺失时,通过建模预测出缺失的数据成为一项必要的工作。预测初速主要采用GM(1,1)模型,但是该模型并不完全适合预测初速,所以预测精度不理想。通过深入分析两台雷达之间的关联性,选择把两台雷达的数据进行融合,同时根据弹丸初速自身的特征,选择建立遗传算法优化LSSVM对缺失的数据进行预测。实验验证时,选择ARIMA模型、GM(1,1)模型、支持向量回归机、BP神经网络作为对比模型,两次验证的结果表明,遗传算法优化LSSVM的预测精度最高,误差远小于1‰,达到了初速雷达测试弹丸初速的误差标准,是预测弹丸初速的最佳模型。     

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。     

基于粒子群算法优化最小二乘支持向量机的电路故障诊断方法

针对数／模混合电路故障的特点,采用将粒子群算法与最小二乘支持向量机相结合的故障诊断方法,在保证诊断过程准确率的基础上,实现多类故障的快速诊断。在诊断过程中,支持向量机的参数寻优过程存在随意性、盲目性和效率低等问题,采用改进的粒子群算法优化支持向量机的参数,建立基于支持向量机的故障分类模型。实验结果表明,与其他方法相比,该方法提高了故障诊断的精度,具有明显的实用价值。     

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PSO-LSSVM弹药装配质量预测方法

针对弹药装配工艺复杂、装配工序质量影响因素多、装配效率低的实际问题,提出基于粒子群优化(PSO)算法—最小二乘支持向量机(LSSVM)的弹药装配质量预测方法。通过灰熵关联分析方法,提取影响弹药装配质量的关键质量特性,并将其作为预测模型的输入向量,降低预测模型复杂度和运算工作量。将PSO-LSSVM作为建模工具,利用PSO算法优化LSSVM参数,建立基于PSO-LSSVM弹药装配质量预测模型;以预测某型号弹药对接装配工序中跳动量为例,与LSSVM预测模型和BP神经网络预测模型进行对比分析。实验结果表明,提出基于PSO-LSSVM弹药装配质量预测方法具有可行性和有效性,能够很好地实现弹药装配质量的预测。     

基于改进的LS-SVM地空导弹生存能力的预测

针对最小二乘支持向量机(LS-SVM)缺失的鲁棒性以及参数难以选择的问题,提出了改进的LS-SVM预测建模方法。该方法首先从样本特征重要程度的角度出发构造特征加权矩阵,然后利用该特征加权矩阵对LS-SVM进行加权,最后采用了人工鱼群优化算法选择模型参数。通过对基准数据集的仿真验证了该方法的有效性和可行性,并将其预测地空导弹生存能力,获得了满意的结果。     

基于最小二乘支持向量机的航材备件需求建模

基于最小二乘支持向量机(LS-SVM)的航材备件需求预测模型,根据航材备件需求的保障任务、航材性能、环境及人事等影响因素建立.假设系统为单输入单输出,定义其输入输出时间序列集.采用LS-SVM算法,确定NARMAX函数.最后利用系统在正常输入输出时的数据对LS-SVM进行离线训练,得到系统需求模型.     

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。     

优化支撑向量机及其在陀螺仪参数漂移预测中的应用

针对支撑向量机的结构参数和核函数中的参数主观确定的局限性。将遗传算法和支撑向量机相结合,提出一种优化的支撑向量机算法。首先将支撑向量机的参数以及核函数参数进行基因编码,利用支撑向量机的泛化误差函数作为适应度函数,然后用遗传算法进行优化,有效提高了支撑向量机的学习能力及推广能力。将该算法用于陀螺仪参数漂移预测中,仿真结果验证了算法的可行性和有效性。     

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。     

一种改进的装备保障能力并联预测模型

为了提高装备保障能力的预测精度,针对当前预测算法及其组合模型存在的问题,提出了一种改进的并联预测模型。利用文本挖掘选择预测指标及权重,改进了区间标度算法并构造了不等距、多尺度区间的模糊时间序列模型。改进了粒子群优化方法中微粒速度和位置及惯性权重值的算法,使用该方法优化了支持向量机参数并建立预测模型。依据改进的模糊时间序列和支持向量机预测模型建立了改进的并联预测模型,通过计算预测权重值并将预测值与预测权重值组合形成并联模型的预测值。通过案例证明了该预测方法具有更高的精度。     

一种新的火炮初速下降量预测模型

为准确地评定火炮剩余寿命,通过研究火炮内膛径向磨损量和初速下降量的相关关系,提出了基于最小二乘支持向量机的火炮特性模型,引入量子粒子群算法进行模型反演分析,确定最优参数,建立了火炮剩余寿命评定模型.对实弹射击测得的25组试样的实例应用分析表明,预测模型相对误差在±5%以下,显示了最小二乘支持向量机是一种较为有效的非线性建模方法,量子粒子群算法进行模型参数优化能够保证全局最优.验证结果表明,模型的精度较高,有一定的实用价值.     

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。     

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。     

一种改进的自适应增强-支持向量回归机的故障预测方法

针对支持向量回归(SVR)方法对突变故障预测精度较低的问题,提出了一种改进的自适应增强算法(AdaBoost)提升SVR故障预测性能。该方法通过AdaBoost算法获取训练样本中突变点的权重并构造加权支持向量回归机增强突变点的训练,以提高对突变故障预测精度。利用自适应权重裁减方法剔除权重较小的样本点,来提高算法的训练速度。将本文方法用于发动机磨损元素的时间序列预测中,一步预测相对误差达到了0.025. 实验结果表明该方法在保证预测精度的前提下有效地提高了故障预测速度。     

基于最小二乘支持向量机时域背景预测的红外弱小目标检测

针对信噪比较低时,如何有效地抑制自然背景对目标检测的影响,提出了一种基于最小二乘支持向量机(LS-SVM)时域背景预测的红外弱小目标检测方法。首先针对前几帧图像中对应同一位置像素点的灰度值序列,利用参数经粒子群优化的最小二乘支持向量机进行函数拟合,并据此预测下一帧图像在该位置处像素点的灰度值;然后将原始图像与预测图像相减得到预测残差图像,利用基于二维Tsallis-Havrda-Charvat熵的阈值选取快速算法进行分割,并根据小目标运动的连续性和轨迹的一致性进一步分离噪声和小目标。文中给出了实验结果及分析,并与现有的检测红外小目标的空域和时域背景预测算法进行了比较。结果表明所提出的算法具有更高的检测概率,明显优于已有的基于背景预测的红外小目标检测算法。     

双滑块驱动无返回力矩钟表机构特性研究

对双滑块驱动无返回力矩钟表机构进行了理论分析,在VisualNastran软件环境下进行了该机构参数最佳匹配规律研究。采用正交试验和仿真研究该机构中双滑块质量参数最佳匹配、拉簧刚度和惯性簧刚度参数最佳匹配。仿真和试验结果表明：该机构可以有效区分导弹正常发射过载与勤务处理干扰环境力;能有效避免单质量块后坐保险机构的钟表机构在冲击试验中存在断齿的问题;该机构下滑块质量与上滑块质量最佳比为7.96、拉簧刚度与惯性簧刚度最佳匹配为2.75,此时在冲击和震动试验中上滑块位移响应和速度响应最小。