航母舰载机航材携行品种及数量确定方法研究

针对航母舰载机航材保障困难的问题,提出对航材携行品种和数量的确定方法进行研究。深入分析了航母舰载机航材需求规律,为进一步开展航材携行品种和数量的确定方法研究奠定了基础。提出对统计数据进行预处理,利用单机周转数或单机消耗数预测可以有效改善可修性航材和受机群规模影响较大航材的需求预测精度。阐述了利用AHP、TOPSIS等确定航材携行品种的方法。重点研究了航母舰载机年度例行任务和专项任务条件下故障消耗以及到寿消耗导致的航材需求的预测方法,然后利用海洋环境因子修正并最终确定航材携行数量。本文的研究成果对于合理确定航母舰载机航材携行品种和数量具有一定的参考价值。     

舰艇编队海上运输补给物资需求预测方法

按照是否与任务、事件相关,将物资需求分为两类,对于任务、事件相关物资需求的预测,将任务进行合理的分解,并根据物资消耗与任务、事件之间的关系,给出了预测的一般模型;对于与任务、事件联系不紧密的物资需求的预测,则根据历史经验及该物资固有的消耗规律,提出了经验预测模型。为了解决舰艇编队海上运输补给物资需求预测所存在的问题,利用案例推理的方法生成了预测所需的样本数据,以最小二乘向量机(LSSVM)模型为预测模型,并以岛屿进攻作战的防空弹药需求预测为例进行了实例分析。结果表明:案例推理生成的样本数据可用,选用LSSVM模型的预测结果与其他预测模型表现出了一致性,但LSSVM相对误差较小;该方法在某种程度上解决了样本数据有限的问题,适用于作战物资需求的预测问题。     

基于多层LSTM的复杂系统剩余寿命智能预测

剩余寿命作为预测性维修的重要支撑,智能预测能及时识别出复杂系统寿命变化规律,准确反映不同工况对剩余寿命的影响.针对复杂系统运行工况与高维度、多尺度时序数据,构建多层LSTM预测模型,防止了梯度消失,能够提取不同工况下时序数据的深层次关联性抽象特征.利用Dropout方法减少预测模型过拟合,针对预测模型的不确定性,设计误...     

基于改进的神经网络的军械备件需求预测

针对当前军械应急保障中备件供应需求依据经验判断,从而导致保障不精准的现实问题,浪费应急保障资源,削弱部队战斗力.在对军械备件需求量进行分析时发现,军械备件需求符合间断型备件需求特征.基于改进的神经网络军械应急维修备件需求预测模型,利用神经网络模型的强大非线性函数的拟合能力,将间断型的备件需求分解为两步.最终,将两个序列预测结果综合分析,得出军械备件需求预测结果.根据改进神经网络预测模型,结合某单位某军械装备保障数据,用总体数据的4/5作为训练数据,1/5作为测试数据进行预测,实验结果表明,改进的神经网络预测模型预测精度优于其他预测模型,预测精度符合预期,可以为军械应急保障提供依据.     

基于Volterra级数的航空年事故率预测方法

针对当前航空年事故率传统预测精度不高的问题,从分析混沌特性入手,对事故数据重构相空间,构建了航空年事故率预测的Volterra级数模型。对航空年事故率数据进行预处理,采用0-1混沌特性判定方法判断时序的混沌特性;在混沌时序的基础上,应用互信息法和假近邻法确定相空间的参数,重构相空间;基于此,构建二阶Volterra自适应预测模型,并采用NLMS算法实时获取模型的最优参数;最后,应用模型对美国空军飞行事故万时率进行预测,能够将相对误差控制在2%以内,优于传统灰色时序组合预测模型,所建的模型反映了航空装备的安全状况。     

基于测试数据时间序列的导弹故障预测

提出基于导弹测试数据的时间序列预测方法。以实际测试数据为例,建立了导弹故障预测模型。在对原数据序列分析基础上进行了趋势拟合,并进行了残差序列的识别及模型拟合,应用经过模型检验和参数检验后得到的组合模型进行参数预测,证明了不论是点预测还是区间预测,都能有效地提高导弹故障预测准确性。     

基于LSSVM和信息熵的航材备件组合预测方法

为了实现航空装备的精确化保障,需要对航材备件数量进行预测,现有方法难以在小样本的条件下,准确地预测航材备件数量,为此提出了一种基于最小二乘支持向量机和信息熵的组合预测方法.首先,将基于最小二乘支持向量机的一元预测方法和多元预测方法相互结合,提出了一种组合预测模型;然后,使用信息熵理论对组合预测模型的权重系数进行优化;最后,给出了所提预测方法的计算步骤.实验结果表明,所提方法在预测航材备件数量时,具有较高的准确性.     

考虑航材可靠性能的消耗预测模型

航材消耗量的准确预测具有明显的军事和经济效益。对航材进行消耗预测,其首要问题就是确定何时产生需求。使用器材可靠寿命时间指标,可侧面描述航材故障间隔时间和故障时刻,从而确定出航材的需求时点。     

顾及噪声影响的GNSS高程序列预测Prophet方法

全球导航卫星系统(global navigation satellite system, GNSS)高程时间序列具有非平稳、非线性、含噪声等特点,在深入研究Prophet预测模型的基础上,针对Prophet预测模型对于趋势信号和周期信号有良好预测效果这一特性,提出一种引入经验模态分解(empirical mode decomposition, EMD)的“降噪—分解—预测”组合GNSS高程时间序列预测方法。该方法先将原始时间序列进行EMD降噪,再对降噪后的序列进行分解预测,最后重构各分量预测信号为最终预测序列。通过对实测高程数据进行研究,实验结果表明：降噪后信号的平均信噪比为10.30dB,能量百分比平均为88.75%;利用所构建的短期预测方法,GNSS高程时间序列预测结果的均方根误差分别平均提升26.41%和14.88%;平均百分比误差分别平均提升18.92%和7.91%,验证了组合预测方法的有效性及实用性。     

组合预测法在战时单兵日均物资需求预测中的应用

分析、研究、预测战时物资需求量,进而拟制相应的物资保障方案,是提高战时物资保障计划性和有效性的客观要求。利用灰色预测法和趋势预测法建立模型并进行预测,在对比分析各种物资需求预测方法的基础上,建立了基于最小二乘法加权的战时单兵日均物资需求的组合预测模型,为我军进行战时物资需求预测提供了一种可借鉴的方法。     

导弹遥测故障的GM-Verhulst-SCGM预测算法

遥测故障预测是保障导弹遥测系统可靠性的基础。根据导弹遥测故障的历史数据,结合GM(1,1)模型、Verhucst模型和SCGM(1,1)c模型构建了导弹遥测故障的GM-Verhulst-SCGM组合灰色预测模型,按照预测有效度算法取得组合预测模型的权重系数。选用导弹遥测故障的训练组实际值作为原始数据,分别利用各预测模型估算对比组导弹遥测故障数据。预测结果表明,相比单一预测模型,组合灰色预测模型具备更高的故障预测精度。在验证组合灰色预测模型可行性的基础上,进一步估算了同一型号导弹未来时序的遥测故障数据,为相关部门及时改善导弹遥测技术及避免导弹故障提供理论及方法借鉴。     

基于改进FPA和SVM的装备器材需求预测

精确预测已成为制约器材筹措决策的重难点问题.对此,在对国内外研究分析基础上,提出适用于复杂装备保障的消耗性器材需求预测方法.针对器材消耗规律,构建基于支持向量机的器材需求预测模型,并提出模型约束优化指标;针对器材需求预测约束优化的不确定性,将佳点集种群初始化、Deb可行性比较法、着约束法融入花朵授粉算法,设计面向SVM模型优化的花朵授粉求解算法;以某建制单位器材供应为例,验证方法的可行性和优越性.     

基于灰色神经网络的装甲部队油料消耗预测

油料消耗量的精确预测直接影响装甲部队后勤保障能力的提升,而传统预测模型精度不高,应用范围也有一定的局限,难以满足信息化战争精确保障的需要。提出一种装甲部队油料消耗预测的组合模型,对历史油料消耗数据和油耗影响因素进行统计分析,求出各影响因素与油耗量的关联度作为权重系数;通过改进GM(1,1)模型预测某部队下一次军事行动的油耗量;用GM(1,1)模型的预测值、加权后的各影响因素值和油耗实际值训练网络,对下一次想定的军事行动油耗量进行预测。通过平均相对误差计算表明,组合预测模型比单一的GM(1,1)模型预测精度高,能够较好地指导部队进行下一步的油料供管工作。     

装备保障备件需求预测算法

面对维和装备种类繁杂与维和环境复杂恶劣、保障维修矛盾突出的问题,必须强化任务开始前的维和装备保障备件需求预测。首先分析了维和任务特点,提出了维和装备保障构想;其次提出了维和装备保障需求预测步骤,研究了基于PSO-BP神经网络的维和装备保障预测模型;最后基于实际数据,采用实验验证的方法检验了算法的有效性。实验结果表明:通过基于PSO-BP神经网络的维和装备保障预测模型可以有效对维和装备保障备件需求进行预测,提高维和装备保障效能。     

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。     

基于PCR的战时物资需求预测研究

需求预测作为物资供应的首要环节,是有效消除"需求迷雾",提升保障效能的关键.选取回归分析法作为战时物资需求预测的主要方法,分别构建了多元线性回归和主成分回归预测模型,并结合野战供水实例进行了对比分析.结果 表明,主成分回归模型不仅具有较强的可操作性,而且有较高的预测精度,能有效提升战时物资需求预测水平.     

装甲车辆行进间炮口振动角度误差预测模型

针对射击延时过程中具有振荡性的装甲车炮口振动角度误差数据,提出了一种优化的GM(1,1)预测模型。对原始数据进行光滑性和单调性处理;对传统GM(1,1)模型的初始值进行了基于拟合误差最小化的改进;基于传统模型中背景值构造方法存在的误差,重构了传统模型的背景值。通过对高低向、方位向两组数据处理结果的分析,优化GM(1,1)模型的拟合、预测结果相对于传统模型、改进初始值模型和改进背景值模型具有较小的误差,能够较好地反映装甲火炮炮口振动角度误差的变化情况。     

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。     

装甲装备周转备件需求最优组合预测

针对单项统计预测模型存在的不足,提出采用组合预测方法进行周转备件需求预测的观点,并建立了周转备件需求最优组合预测模型。首先,介绍了组合预测的基本原理和常用的周转备件单项预测方法。在综合权衡预测结果精度和稳健性的前提下,建立了基于预测误差绝对值和最小的周转备件最优组合预测模型,并给出了确定各加权系数和预测评价效果的方法。最后,结合案例验证了该组合预测方法的有效性和优越性。     

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.