基于集对分析和LS-SVM的装备研制风险综合评价

【】为了有效防控武器装备的研制风险,确保武器装备项目的顺利推进,提出一种基于集对分析(SPA)理论与最小二乘支持向量机(LS-SVM)方法的装备研制风险综合评价方法。在该方法中,首先,根据武器装备研制的具体特点,建立了装备研制风险评价指标体系。然后,在此基础上,引入SPA分析理论中的联系度和集对概念构建了训练样本和测试样本。最后,使用获取的样本对LS-SVM进行训练和测试,得到装备研制风险评价模型,并据此给出评价结果。案例分析表明,所提出方法过程简便,定性定量结合,形式易于理解,评价结果也更加贴近实际,对于提升装备研制项目风险管理和决策水平,具有重要的实际意义。     

基于RS属性约简与LS-SVM的装备研制风险综合评价

为有效管控武器装备的研制风险,推进装备研制项目的顺利开展,提出一种基于粗糙集(RS)属性约简与最小二乘支持向量机(LS-SVM)的装备研制风险综合评价方法。该方法在装备研制风险评价指标体系基础上,通过集对分析法构造训练样本和测试样本。以属性重要性作为RS启发信息,对评价指标进行属性约简,消除冗余信息。最后,基于约简后的评价指标样本训练LS-SVM模型完成风险评价。案例分析表明,相对于单一LS-SVM方法,所提出的方法预测精度更高,平均绝对误差达到0.098,评价结果更为准确,过程也更为科学合理。因此,将提出方法用于武器装备研制项目的风险评价是有效和可行的。     

基于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,提出把粗糙集和改进加权最小二乘支持向量机的组合预测模型应用于导弹备件消耗预测的构想.首先阐述了粗糙集和加权最小二乘支持向量机的基本原理,并改进了最小二乘支持向量机的加权方法;然后建立了基于粗糙集和改进加权最小二乘支持向量机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.     

基于LSSVM与WNN的燃气轮机状态趋势预测

为了对燃气轮机未来状态趋势进行预测,提出基于最小二乘支持向量机(LSSVM)与小波神经网络(WNN)组合的燃气轮机状态趋势预测方法,把最小二乘支持向量机的预测结果分为两部分,将实际参数数据与前一部分的预测结果计算残差,然后利用小波神经网络对残差进行预测,再将预测的残差与最小二乘支持向量机的预测结果的后一部分进行合成,将合成的结果作为最小二乘支持向量机-小波预测模型的预测结果。结合某型燃气轮机进行试验验证,验证结果表明,组合的最小二乘支持向量机与小波神经网络预测模型预测效果更好,预测结果相对误差为0.12%。     

基于PSO-SVM与样本加权的武器装备费用建模与预测

武器装备费用预测是武器装备费用分析的重要内容,预测分析的难点之一在于样本数据少,且样本数据具有复杂的非线性特点。充分利用支持向量机的结构风险最小化与粒子群算法快速全局优化的特点,采用粒子群算法快速优化支持向量机的模型参数;充分利用样本信息,模型中样本加权值的确定采用预测误差和样本相似度的样本加权方法,研究建立基于PSO...     

预测偏差的LS-SVM预测控制

提出了一种基于预测偏差的最小二乘支持向量机预测控制模型.首先介绍了最小二乘支持向量机预测模型,研究了基于预测偏差的控制算法,并给出了基于预测偏差的最小二乘支持向量机预测控制结构.通过利用最小二乘支持向量机辨识被控系统模型,同时预测系统的未来输出,然后用预测偏差控制算法进行滚动优化和反馈校正.仿真实例中,针对同一系统与基于预测偏差的RBF网络预测控制进行对比分析,表明该模型对系统的预测结果有更好的控制作用,并具有一定的抗干扰能力,有效地提高了预测精度.     

基于改进LS-SVM的雷达故障诊断技术

针对传统雷达系统故障诊断流程复杂、诊断时间长且准确率仍有上升空间的问题,将改进最小二乘支持向量机算法引入到雷达系统故障诊断中,建立雷达故障诊断模型。该方法很好地解决了分类和函数估计问题,加快了诊断速度,改善了最小二乘支持向量机的鲁棒性和稀疏性,并提高了诊断准确率。通过对某型雷达故障诊断实例仿真,对比改进最小二乘支持向量机和传统神经网络在雷达故障诊断上应用的效果,仿真结果验证了该方法较传统神经网络,具有更好的雷达故障诊断效率和准确率。     

一种基于Tsallis熵的最小二乘支持向量机稀疏算法

最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)算法是一种优化的支持向量机(Support Vector Machine,SVM)算法,针对该算法稀疏性差,支持向量过多的问题,提出了一种基于Tsallis熵的稀疏算法。分析了最小二乘支持向量机算法的训练过程,提出了增量算法和Tsallis熵的概念,以此为基础提出了一种解决算法稀疏性的改进算法;最后对算法进行了仿真。仿真结果表明,该改进算法相比于传统算法稀疏性更强,适用于大样本集的系统辨识。     

基于支持向量机的多元文本分类研究

根据文本分类的特点,在对最小二乘支持向量机方法进行详细分析的基础上,创建了基于最小二乘支持向量机的多元文本分类器.实验表明,采用该文本分类器能够在保持较高分类精度和召回率的基础上,提高训练效率,具有一定的可行性.     

基于粗糙集与最小二乘支持向量机的飞机综合智能论证

结合粗糙集的属性约简理论与最小二乘回归支持向量机的回归思想,提出了一种基于粗糙集与最小二乘回归支持向量机的飞机设计综合智能论证模型。首先根据历史数据建立属性决策表,然后应用粗糙集理论对飞机综合论证指标参数属性进行约简来获得影响飞机设计综合论证的核心指标,最后再利用支持向量机回归模型建立与飞机综合论证核心因素之间的非线性映射模型来对飞机的作战效能进行预测。仿真实例验证了该方法可以降低模型的复杂度,加快SVM的训练速度并具有良好的预测效果。     

最小二乘支持向量机在蓄电池剩余容量建模中的应用研究

蓄电池容量是表征蓄电池工作性能的重要指标,但铅酸蓄电池剩余容量难以建模。将蓄电池检测系统测量的电压、电流、密度作为输入,荷电状态为输出,并基于最小二乘支持向量机对蓄电池充放电过程剩余容量进行了建模仿真,实现了对蓄电池剩余容量的实时预测。分析了最小二乘支持向量机参数对建模的影响,并对几种建模方法进行了比较。结果表明:该方法具有预测精确度高、推广能力强、运行时间短等优点。最小二乘支持向量机在小样本、非线性建模方面的应用表明:它在拟合精度和预测能力上都比传统方法有一定的提高,具有良好的应用前景。     

基于LS_SVM与PCA的小型无人机传感器故障诊断

针对小型无人机机动性强,故障多且难以实时检测的特点,提出了将最小二乘支持向量机(LS_SVM)与主元分析法(PCA)相结合对小型无人机传感器进行故障检测与分离。最小二乘支持向量机用于建立预测模型并生成残差,实时检测传感器故障;利用主元分析法将故障信号分离,进行故障诊断。仿真结果表明,最小二乘支持向量机与主元分析法相结合对无人机传感器具有良好的故障诊断效果。     

基于最小二乘支持向量机的测控数据融合

提出利用最小二乘支持向量机方法研究GPS和雷达系统对机动目标联合测量中的数据融合问题,GPS数据经过时间配准处理与雷达数据达到时间同步,经过空间配准和坐标系变换,进行卡尔曼滤波,以滤波估计坐标值作为支持向量机的输入,以最小二乘支持向量机为同步融合中心,输出为目标轨迹的融合估计值,仿真结果表明这种方案可以达到比融合前数据更贴近真实值的效果.     

面向像斑的高分辨率遥感影像自优化迭代分类方法

针对高分辨率遥感影像提出了一种面向像斑的自优化迭代分类算法,基于半监督聚类算法获取训练样本,以支持向量机为核心设计了自优化迭代分类器。使用分型网络演化算法获取像斑,并从中选取少量标记样本;结合标记样本,利用半监督模糊C均值算法对像斑进行聚类,并基于密集度筛选得到训练样本;设计了自优化迭代支持向量机分类算法,对所有像斑进行迭代分类直到满足分类要求,并在分类过程中对近邻分类结果进行统计得到高可信度样本以自主优化训练样本集。基于以上方法分别对武汉市QuickBird和WorldView影像进行分类实验,分类总精度分别达到94.67%与92%,与基于人工选取训练样本情况下进行分类的分类总精度（82%与82.67%）、常规支持向量机分类总精度（87.33%与88%）、最小二乘支持向量机分类总精度（88%与89.33%）相比,精度有明显提升,分类效果较好。     

高分辨率遥感影像的自优化迭代分类方法

针对高分辨率遥感影像提出了一种面向像斑的自优化迭代分类算法,基于半监督聚类算法获取训练样本,以支持向量机为核心设计了自优化迭代分类器。使用分型网络演化算法获取像斑,并从中选取少量标记样本;结合标记样本,利用半监督模糊C均值算法对像斑进行聚类,并基于密集度筛选得到训练样本;设计了自优化迭代支持向量机分类算法,对所有像斑进行迭代分类直到满足分类要求,并在分类过程中对近邻分类结果进行统计得到高可信度样本以自主优化训练样本集。基于以上方法分别对武汉市Quick Bird和World View影像进行分类实验,分类总精度分别达到94.67%与92%,与基于人工选取训练样本情况下进行分类的分类总精度(82%与82.67%)、常规支持向量机分类总精度(87.33%与88%)、最小二乘支持向量机分类总精度(88%与89.33%)相比,精度有明显提升,分类效果较好。     

利用最小二乘支持向量机求解潜艇内外磁场映射模型

为提高潜艇磁隐身能力,应对潜艇固定磁场进行实时监测,提出利用最小二乘支持向量机的潜艇内外磁场映射方法。结合内外映射法和最小二乘支持向量机原理,通过交叉验证优化模型参数,建立由内到外的潜艇磁场映射模型。以潜艇外部垂向固定磁场变化量为分析对象,仿真和实验结果均与标准值吻合良好。与径向基神经网络算法相比,该方法的泛化能力和推算精度有明显提高,且更符合工程实际,对闭环消磁技术的研究具有指导意义。     

一种支持向量机增量学习淘汰算法

针对大规模数据集的分类问题,支持向量机的训练成为一个难题。增量学习是解决这一难题的思路之一。分析了新增样本加入训练集后支持向量集的变化情况,提出了一种基于密度法的支持向量机增量学习淘汰算法,淘汰了对最终分类无用的样本,在保证测试精度的同时减少了训练时间。实验仿真证明这种算法是有效的。     

小样本装备软件成本估算相关向量机建模

针对装备软件成本估算时面临的历史数据少的小样本难题,提出把机器学习理论运用到装备软件成本估算研究领域,构建了基于相关向量机的小样本装备软件成本估算模型,采用COCOMO模型数据库中的数据对所构建模型进行训练和验证。为进一步验证所构建模型的合理性,在机器学习领域分别运用支持向量机模型和神经网络模型对相同数据进行估算,实验结果证明了基于相关向量机估算模型在小样本装备软件成本估算时比其他两种模型更精确。     

KPLS-SVM在缺失飞参数据估计中的应用

飞行参数的缺失给飞行事故调查工作带来了很大困难.将核的偏最小二乘法与支持向量机耦合,建立基于状态匹配的飞行参数估计模型可以较好地解决缺失飞参数据的估计问题.首先将初始输入映射到高维特征空间,进而利用偏最小二乘法在特征空间中提取对缺失飞参数据影响较强的得分向量, 最后将提取的得分向量作为输入建立支持向量机模型.既克服了输入变量间的相关性问题, 又降低了支持向量机的输入维数.仿真也说明了使用该方法估计缺失飞行参数的可行性和有效性.