基于遗传BP神经网络的装甲装备器材需求预测

装甲装备器材保障具有规模大、时间紧、消耗大、不确定因素多、决策难度大等特点。准确的需求预测是实施主动的、精细化的器材保障的重要前提条件。利用BP神经网络较强自学习能力和自适应能力对器材需求规律进行学习,并借助遗传算法提高BP神经网络的收敛速度,设计了一种基于遗传算法改进的BP神经网络模型预测方法,对装甲装备器材进行需求预测。通过实例计算表明,该方法比单纯BP神经网络方法具有预测精度高、收敛速度快的优点。     

任务驱动下航材需求量的GA-GM-BP预测

机务保障影响着航空装备战斗力的生成,机务保障资源是任务成功率的物质支撑.基于航材需求信息的灰色性,通过采用DEMATEL方法提取影响航空备件需求量的关键影响因素,采用遗传算法优化的灰色神经网络对需求量进行了仿真预测,其预测精度较BP神经网络和灰色神经网络都高.该方法对于其他航空机务保障资源的需求预测有借鉴意义.     

基于ARMA-BP组合模型的装备故障率预测方法

为解决单一模型预测装备故障率预测误差大、精度低的问题,提出了一种基于ARMA-BP组合模型的装备故障率预测方法.在建立ARMA模型和BP神经网络模型的基础上,采用加法集成法建立ARMA-BP组合预测模型,并利用方差倒数法确定ARMA模型和BP神经网络模型的权重系数.以某型装甲装备故障率数据为研究对象,对比ARMA模型、BP神经网络模型和ARMA-BP组合模型故障率预测结果,表明:相比于单一预测模型,ARMA-BP组合模型的装备故障率预测结果精度更高.     

基于灰色神经网络武器装备研制费用预测模型

提出了基于灰色系统理论与神经网络的武器装备研制费用组合预测模型,该模型首先采用灰色GM(0,N)模型对研制费用进行预测,利用LMBP神经网络对预测误差进行了模拟与修正,实例验证该方法具有较高的预测精度.     

地空导弹发控系统寿命预测的组合模型

将灰色系统理论和BP神经网络有效地结合起来,建立了灰色BP神经网络的组合预测模型,并采用遗传算法对该模型进行优化。为了验证优化后模型的有效性,采用灰色BP神经网络的预测结果进行对比分析。实际数据的预测结果表明,优化之后的模型比单独采用灰色BP神经网络,具有更小的均方差(MSE,Mean Square Error),对发控系统剩余寿命(RUL,Remaining Useful Life)也具有更高的预测精度。     

灰色神经网络的鱼雷经济寿命预测

为减少军费开支、降低鱼雷全寿命费用,从经济性角度提出了鱼雷最佳服役年限模型。利用灰色等维新息GM(1,1)模型对鱼雷年度使用维修费用进行预测;采用分组的思想将原始数据分为多组,采用神经网络对灰色模型的预测残差进行修正,以提高预测精度。通过实际算例预测了鱼雷经济寿命,从而证明了模型的实际应用价值。     

改进非等间距GM(1,1)-BP模型的导弹退化状态预测

为提高导弹退化状态预测的精度,结合导弹测试数据不等时间间隔的特点,提出了一种基于改进非等间距GM(1,1)-BP模型的导弹退化状态预测方法。对传统非等间距GM(1,1)模型的背景值和初始条件进行优化,引入新陈代谢思想,在此基础上,构造灰色模型拟合值与实际值的差值序列,进而建立差值序列的BP神经网络预测模型,还原得到最终预测值,提高了预测精度。此设计方法结合了灰色模型对趋向性数据的预测优势和BP神经网络强大的非线性拟合能力,达到了取长补短、相得益彰的效果。通过导弹测试数据的预测实例,验证了方法的有效性和优越性。     

战场物资损耗综合分析模型研究

为了提高战场物资损耗量的预测精度,运用系统工程和系统论原理,提出了一种综合预测与分析战场物资损耗量的新方法,构建了基于灰色决策和多元线性回归组合预测的综合分析模型。基于BP神经网络,提出了综合分析模型的权值求解方法。仿真分析及模型验证表明,该综合分析模型具有较高的预测精度。     

基于灰色Verhulst优化模型的电子装备故障预测方法

针对平均故障工作时间数据样本量少的特点,提出利用灰色Verhulst模型预测电子装备故障;又针对灰色Verhulst模型存在预测精度不高的问题,研究了灰色Verhulst模型参数的优化方法。通过实际试验数据对2个模型进行了仿真验证,并基于灰色关联度对2个模型的模拟预测精度进行了比较分析,结果表明：基于灰色Verhulst优化模型适合于电子装备故障预测,并具有较高的拟合预测精度。     

Elman动态灰色神经网络在电磁发射系统状态预测中的应用

基于电枢运行过程中所受到的多物理场作用机理,采用灰色理论对出口速度进行线性预测,分析了灰色理论存在的不足和改进措施,提出了一种Elman动态灰色神经网络并进行了仿真分析,然后将结果与传统的灰色神经网络结果进行了对比试验。结果表明:新的Elman动态神经网络预测方法具有较高的预测精度,可以为轨道式电磁发射系统连发决策、有效预防轨道烧蚀提供技术支撑。     

神经网络在雷达装备故障趋势预测中的应用

为了提高预测精度,在雷达装备状态监测与故障趋势预测系统中引入基于指数衰减的神经网络预测模型。通过普通BP网络预测模型引出基于指数衰减的神经网络预测模型,经验证预测精度较高。并介绍了雷达装备状态监测与故障趋势预测系统构成,此系统对于雷达装备的早期故障预测和预防性维修具有重要意义。     

基于动态神经网络的装备技术状态预测模型

装备的技术状态受多种因素的影响,诸多影响因素之间是一种多变量、强耦合、非线性的关系,同时这种关系还是动态的。根据装备技术状态的特性,使其在相空间里重构,然后利用动态神经网络建立装备技术状态预测模型,并以装备振动信号预测为例进行案例研究,验证了利用动态神经网络进行预测的可行性和优越性。     

基于BP神经网络装甲车辆电气设备故障诊断的研究

研究了装甲车辆电气设备故障的智能诊断,设计了基于BP网络的故障智能诊断系统。采用C8051F040单片机完成数据的采集和预处理,上位机应用C+ +builder和MATLAB的混合编程完成故障利用BP网络的诊断过程。研究结果表明,提高了设备故障诊断的准确度,实现了装甲车辆电气系统故障诊断的自动化、智能化。     

基于UML的装甲装备主动式保障系统建模研究

摘要：为将主动式保障先进理念应用于装甲装备保障过程,采用UML系统建模理论和方法,在分析装甲装备保障主要业务内容的基础上,通过系统需求分析建模和系统分析与设计建模,构建装甲装备主动式保障系统用例模型、对象类静态模型、动态交互模型和状态模型,以及体系结构模型,明确装甲装备主动式保障系统的结构功能与运行流程,为系统仿真与评估、演示验证等后续研究奠定基础．     

装甲装备工况监测与智能车务管理系统研究

介绍了一种装甲装备技术状况监测与智能车务管理系统。该系统由管理计算机及局域网络、车载装备工况监测模块(灰匣子)、手持式数据采集器等部分构成,各主要硬件单元间全部采用蓝牙模块实现无线通信,辅以数据库技术、局域网技术,实现了装备车务管理的信息化和智能化,并在实际中得到了具体的应用。应用结果显示,该系统实现了装备工况监测和车务管理的最基础的数据采集,为实现参数信息化奠定了良好的基础。     

装甲装备型号需求获取与分析的通用模型

针对现行装备需求获取和分析过程中存在的工作重复、难于参考已有经验等问题，以装甲装备型号需求研究为对象，提出建立需求获取和分析的通用模型用于辅助完成需求获取和分析工作的观点。分析了该模型的功能、使用方式和特性，指出了开发通用模型应该遵循的模式。该模型的应用对于提高装备需求研究的效率和正确率、促进需求研究成果之间的相互借鉴具有较大帮助。     

基于Elman神经网络的装甲装备维修保障系统效能评估

从影响装甲装备维修保障系统效能的主要因素出发,建立了比较全面的装甲装备维修保障系统效能评价指标体系。介绍了Elman神经网络的结构和学习过程,建立了维修保障系统效能评估模型。采用Delphi法和AHP相结合的方法,处理了原始数据,获得了10组训练样本和测试样本。利用Matlab7.0进行了评估模型的构建,利用训练样本对模型进行了训练和测试,证明了模型的可用性。研究结果可为在现有装甲装备维修保障系统的基础上开发和研制新型系统提供理论参考。     

基于MSOA神经网络模型的装备保障费用预测

引入基于多步骤优化方法(MSOA)神经网络模型用以预测装备保障费用。实验结果表明,与传统的ARIMA时间序列模型和常规BP神经网络模型相比,基于MSOA神经网络预测模型具有更高预测精度。因此,该模型是一种更有效的装备保障费用预测模型。