基于BP神经网络法的后勤装备零配件需求预测

精确的零配件需求预测,是实现后勤装备精确化技术保障的基本前提。影响后勤装备零配件需求量的因素具有非线性特征,而BP神经网络法对复杂非线性问题具有很好的适应性,因此可以运用BP神经网络法对后勤装备零配件需求进行预测。运用BP神经网络方法,通过M脚本文件编程建立预测模型进行实证分析表明,运用该方法建模对后勤装备零配件需求量进行预测是科学可行的。     

基于云理论的装备技术状态预测

通过分析装备技术状态变化的模糊性和不确定性等特性,提出了基于云理论的装备技术状态预测模型.根据装备技术状态劣化趋势,给出了基于云模型的时间序列状态预测方法,有效地运用了装备状态评估中的主观预测知识.将历史趋势与当前趋势相结合,实现了基于时间序列的状态预测.最后以某装备的发动机为研究对象,对发动机状态的动态评估值进行了预测,验证了该状态预测方法的有效性.     

遗传神经网络在保障资源需求预测中的应用

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.     

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。     

基于BP神经网络的集群装备战斗力指数评估

集群装备战斗力是影响装备指挥员乃至作战指挥员科学决策的主要因素之一.针对战时装备维修保障决策需求和特点,通过深入分析集群装备作战实际,研究了集群装备战斗力指数影响因素集并对各因素进行了说明,基于BP神经网络建立了集群装备战斗力指数评估模型,利用专家确定的40组训练样本对该BP神经网络进行训练.研究结果表明,基于BP神经...     

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.     

基于动态神经网络的柴油机建模研究

针对全柴推进系统仿真中主柴油机输出扭矩的预测问题,分析了输出扭矩的影响因素,在实验室试车台记录数据的基础上,利用小波分析方法对带噪声的原始信号进行预处理,运用Elman动态递归神经网络建立了用于柴油机输出扭矩预测的控制模型.     

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.     

装备剩余寿命预测平行仿真中模型动态演化方法

装备平行仿真中的一个重要概念是实时数据驱动的模型动态演化,但是至今仍缺乏具体应用领域的实现方法。以带未知离散冲击的混合退化装备剩余寿命预测为背景,以多态Wiener状态空间模型为演化对象,提出一种装备平行仿真中模型动态演化方法,包括基于交互多模型强跟踪滤波的模型软切换和基于期望最大化算法的模型参数在线估计,并实现了基于平行仿真的装备剩余寿命实时预测。利用某轴承退化数据进行实例研究,结果表明该方法能有效提高仿真逼真度,剩余寿命预测的准确度较高、不确定性较小,具有较高工程应用价值。     

基于灰色神经网络的装甲器材需求量预测

分析了装甲器材需求量影响因素,将灰色预测与神经网络预测方法相结合,建立了装甲器材需求量预测的灰色神经网络计算模型。该模型具有灰色系统的少数据建模及神经网络的精度可控性等优点,能较好地解决目前装甲器材需求预测精度不高的问题,可为装甲器材管理部门制定订购、调拨计划提供决策依据。     

油料消耗神经网络组合预测模型

油料消耗单一预测模型精度不高,难以适应信息化条件下精确保障需要。以单一的神经网络预测模型、时间序列预测模型和灰色预测模型为组合预测的基础,利用神经网络求取3种预测模型的组合预测权重系数,将这3种单一预测模型的预测结果作为神经网络组合预测模型的输入,求得一个新的预测结果。平均相对误差和均方差比表明,神经网络组合预测模型比单一预测模型更为优越。     

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。     

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.     

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.     

BP组合预测方法在维修保障费用预测中的应用

通过对时间序列预测方法和回归分析原理的分析,建立了适用于武器装备维修保障费用的BP网络组合预测的时间序列多输出模型,并结合某型装备多年的维修保障费用,进行了预测数据仿真,得出的结果与实际的数据相比误差较小,具有较大的理论价值和实际的军事价值,有利于提高维修保障费用的效益,有利于实现装备的优良效费比。     

装备采购风险的BP神经网络评价模型

装备采购具有高风险的特点,科学、准确的风险评价对装备采购至关重要.传统的评价方法主观因素太强,而BP神经网络模型为装备采购风险评价开辟了新途径.首先介绍了人工神经网络模型的原理和BP算法,然后结合实例给出了用于装备采购风险评价的BP神经网络模型,采用该模型获得结果令人满意.     

基于ANP维修保障系统结构设计影响因素分析

针对装备维修保障系统结构设计影响因素多、设计过程易耦合等问题,提出了一种基于网络分析(ANP)的维修保障系统结构设计影响因素网络模型和方法。首先,以维修保障系统结构设计影响因素定量研究为控制层目标,以作战任务系统、保障对象系统等为网络层的因素集,建立维修保障系统结构设计影响因素的网络模型;其次,运用网络分析方法定量地确定维修保障系统结构设计各个因素的影响综合权重及排序,明确设计时应优先考虑的关键因素。通过具体分析,证明了此方法的正确性和实用性。     

装备战损率与损坏率关系研究

装备的损坏率是决定装备维修保障的重要依据,通过对装备战损率及其分布的分析,给出了在维修机构修复能力一定的条件下相应的损坏率及其分布的模型,可为装备维修保障提供决策。