共查询到10条相似文献,搜索用时 46 毫秒
1.
任务驱动下航材需求量的GA-GM-BP预测 总被引:2,自引:0,他引:2
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. 相似文献
2.
3.
4.
马超 《军事运筹与系统工程》2021,35(1):11-15
在对作战指挥方式影响因素进行分类的基础上,基于ISM构建了作战指挥方式影响因素的结构化模型,将作战指挥方式诸多影响因素之间的复杂关系层次化,确定了影响作战指挥方式的关键因素,为指挥员选用合适的指挥方式提供重要参考. 相似文献
5.
6.
针对兵棋推演中对抗双方武器装备战斗力指数定量分析方法不准确、过于简单的问题,基于武器装备对抗损失交换比,在战斗静力评估的基础上,提出了动态评估武器装备战斗力指数的基本思路、原则和方法步骤;根据对方战斗力最优原则,建立了武器-弹药-目标战斗力指数评估模型。结合武器装备弹药发射速率、命中概率以及回合时间等参数,计算了回合战斗力指数。该方法有助于指挥员准确掌握对抗双方的交战态势,进而制定合理有效的作战方案。同时,在武器装备战斗力指数评估中引入时间量纲,为研究对抗双方的胜负概率、作战持续时间以及双方作战实力随时间的变化情况奠定了基础。 相似文献
7.
《装甲兵工程学院学报》2018,(6)
以作战任务为牵引,基于我方装备战斗力指数及其与敌方目标对抗的损失交换比(简称"对抗损失交换比"),建立不同作战任务下装备综合战斗力指数评估模型;基于装备综合战斗力指数,采用层次分析法(Analytic Hierarchy Process,AHP)确定装备作战任务贡献度(简称"装备贡献度");基于装备贡献度分配装备保障概率,依据零部件对装备整体功能的重要度分配相应备件的保障概率,有效避免人为分配造成的主观误差。根据装备损坏模式预测战时备件的需求量:在技术损坏模式中,依据零部件的不同寿命分布构建预测模型;在受击损坏模式中,采用数理统计方法构建预测模型。最后,通过案例分析验证所提出方法的有效性和可行性。结果表明:该方法具有较强的实用性和有效性,可为不同作战任务下备件需求量预测提供新思路。 相似文献
8.
针对水下平台水下对抗作战量化验证评估困难、指导机动规避作战模型欠缺等问题,设计了一种基于大数据学习的水下对抗预测模型。首先进行水下平台水下对抗建模,基于蒙特卡洛方法执行若干轮次仿真获得规避概率数据集;同时,为解决海量仿真下时间效率不佳的问题,提出利用BP神经网络预测算法进行数据学习,提供准确、快速、可视化的对抗结果。试验结果表明,在本文设定的试验环境下,基于BP神经网络预测算法的平均预测误差为7.28%,可有效对水下平台规避概率进行预测,为指挥员指挥决策提供数据支撑。 相似文献
9.
针对现代战争条件下装备保障资源需求变化快,保障资源预测困难的问题,首先分析了影响装备保障资源需求的因素,根据实际情况选取了平均维修间隔时间(MTBM)、平均修复时间(MTBR)等8项影响装备保障资源需求的关键指标,然后将基于遗传算法(GA)优化的反向传播(BP)神经网络应用于保障资源需求预测中,构建了基于遗传神经网络的需求预测模型,最后利用1980年~2010年实际保障资源需求数据对模型进行了验证.验证结果表明,基于GA优化的BP神经网络预测模型有较快的收敛速度、较强的适应性和较高的预测精度,适用于装备保障资源需求预测. 相似文献