基于指数平滑法的装备维修器材需求量预测

准确地预测维修器材需求量是制定装备保障计划的重要依据.针对装备维修器材需求量预测相对不够准确的问题,通过对两种预测方法进行比较,引入了适用于准确预测的指数平滑方法,建立了基于指数平滑法的装备维修器材需求量预测模型,介绍了确定初始值的方法,并以某种维修器材需求量预测为例进行了分析,为准确预测装备维修器材需求量提供了一种较为科学合理的方法.     

利用循环网络的降落伞开伞载荷补偿方法

为了对降落伞充气展开过程中的开伞载荷进行更加准确的预测,提出一种基于循环神经网络的开伞载荷补偿计算方法,包括模型架构和数据处理方式。该方法将充气时间法计算的预测值代入循环网络进行二次计算,使最终结果能够更加贴近试验真值。使用多层前馈网络、标准循环网络与长短时记忆网络三种网络进行比较,验证了所提模型预测结果的适用性和准确性,研究了学习率、输入层维度和隐层维度等超参数对模型性能的影响,并给出了基于长短时记忆网络的补偿模型最优训练条件。实验结果表明,利用循环网络进行开伞载荷预测具有较好的拟合结果,为机器学习与降落伞工业的学科交叉研究提供了一定的参考方向。     

坦克行进间炮耳轴倾斜角预测模型研究

针对坦克行进间具有振荡性的火炮耳轴倾斜角数据,提出了一种改进的灰色预测模型。提出了一种数据变换方法,能够将原始序列处理为正数单调序列,使其符合灰色模型对建模数据的需求;利用小区间的矩形面积和重构模型背景值,并在基于无偏性的准则下研究了重构背景值中的参数与模型参数之间的关系,提出了一个背景值中参数的直接表达式;利用两种参数的关系,构建了改进的灰色微分方程,通过求解得到了优化的预测公式。经过实例分析,改进模型预测结果的平均相对误差为3.53%,能够较为准确地预测炮耳轴倾斜角的变化情况。     

地面慢速移动目标轨迹预测方法

在预测期较长的情况下,不确定因素将增加,对地面慢速移动目标轨迹预测的结果可能偏差较大.为了检验和提高预测结果的准确度,克服单一预测模型的不足,提出了一种改进灰色预测模型结合轨迹点转移概率的综合预测方法.通过引入缓变因子,并对原始数据进行自然指数变换,改进的灰色GM(1,1)模型能够控制其发展系数,提高灰色预测模型本身的精度.为了进一步检验预测结果,利用当前统计模型和分段整合的思想,并采用目标加速度截断正态概率密度模型,建立了轨迹点转移概率分布模型.仿真结果表明,该方法能够达到提高和保证预测精度的目的.     

高级在轨系统的自相似业务量预测链路优化模型

在AOS高级在轨系统链路协议的基础上,分析了具有自相似特性的业务流量,提出了一种基于FARIMA模型的自相似预测的链路优化模型。该预测模型基于分数阶统计理论,在估计赫斯特参数的基础上,根据不同的时间粒度,提前预测突发业务量的到来,从而降低了网络丢包率。仿真表明模型在20点预测内具有较好拟合性,在一定置信区间下具有较好的预测成功概率和较低的虚警概率,同时使网络丢包率大幅下降。     

基于深度学习的网络攻击检测模型

为提高复杂网络条件下网络攻击的检测检测精度、降低时间开销,提出一种基于卷积神经网络、双向长短时记忆网络和注意力机制融合的网络攻击检测模型GP-CABL。GP-CABL能够有效抽取网络流量的最优特征,并能够充分学习网络流量的空间和时序特征,有效提升了检测精度、降低了计算开销。实验表明,GP-CABL针对主要网络攻击识别精度可达99.87%,相较当前研究有较大性能提升,并具有较好的鲁棒性。     

基于灰色理论的电子系统状态预测方法

电子系统的状态预测是利用其历史信息来实现系统未来状态和趋势的估计,以防止灾难性故障的发生,对于推动视情维修具有重要意义。针对典型模拟滤波电路,通过分析其关键测试信号的特点,研究了基于灰色理论的状态预测方法,并针对该预测模型的不足,设计粒子群算法选择最佳预测维数,设计新陈代谢法使该模型参数在线改变,从而建立符合电子系统信号特点的灰色预测模型。将该模型与ARAM模型比较,实验结果验证了该模型具有较好的状态预测精度和预测性能。     

指数平滑法在边防情报分析中的应用

介绍了指数平滑法,以某地区吸毒人数为实例,进行三次指数平滑分析,对未来的趋势做出较为准确的判断预测,并对结果进行分析和评价,为边防决策提供依据.     

神经网络模型预测函数控制方法

在建立基于神经网络模型的非线性预测函数控制系统结构和基于BP网络非线性预测模型的基础上,提出了基于神经网络模型的非线性预测函数控制方法,并对其优化法等进行了讨论。通过与PID方法的仿真比较表明,预测函数控制方法具有抑制干扰能力强、跟踪性能好的特点,能够满足一些非线性系统的控制要求。     

高性能互连网络中端口阻塞故障预测方法

随着系统规模、芯片功耗和链路速率的提升,高性能互连网络的整体故障率也不断上升,传统运维方式将难以为继,给高性能计算系统整体可靠性和可用性带来了巨大挑战。针对网络端口阻塞这类严重网络故障,提出无监督算法的预测模型。该模型从历史信息中挖掘征兆性规律并形成新的特征向量,应用K-means聚类算法对特征向量进行学习归类。在预测时,结合端口当前状态,利用二次指数平滑算法对未来状态进行预测,将得到的新特征向量使用K-means算法预判是否会发生阻塞故障。利用拓扑结构信息,分别对叶交换机和根交换机构建预测子模型,进而提升预测的精确率。结果表明,该预测模型能保持在召回率为88.2%的前提下,达到65.2%的准确率,可为运维人员提供有效的辅助。