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。     

回归型支持向量机的机翼结冰冰型预测

飞机结冰严重威胁着飞行安全。针对机翼结冰冰型预测时不确定性因素较多、难以准确预测的问题,提出了一种基于回归型支持向量机的机翼结冰冰型预测方法。在建立冰型模型的基础上,利用回归型支持向量机(Support Vector Regression,SVR)获得冰型多项式系数,从而预测出相关飞行条件和大气条件下的冰型。仿真结果表明,该方法具有较好的预测能力,可以及时提供可靠的结冰信息,为保证结冰条件下的飞行安全提供了保障。     

基于改进支持向量回归机的火炮身管寿命预测

为准确预测火炮身管寿命终止时火炮射弹数,根据射击过程中火炮身管磨损量与身管寿命特性,分析了身管膛线起始部磨损量与身管射弹数之间的关系,提出了支持向量回归机算法,并采用遗传算法进行模型优化改进,得到火炮身管寿命预测最优模型。结合两种类型火炮的身管数据,利用该模型对身管寿命进行预测,并与原始支持向量回归机进行对比,通过分析可知改进的支持向量回归机预测效果好、精度高,为火炮在实际应用中身管的寿命预测提供了新的思路。     

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%。     

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.     

基于支持向量机的飞机备件需求预测

支持向量机是一种机器学习算法,在国外已广泛应用于工程实践领域。首先探讨了支持向量机回归预测模型的学习和预测机制,分析其中三个重要参数对算法的影响规律,得出一套定性的参数选择方法,然后将支持向量机引入到装备综合保障分析之中,构建了飞机备件智能预测模型,并对某型军用飞机备件需求进行了预测和分析,结果表明:基于支持向量机的备件需求预测是有效的、可行的。     

雷达智能BIT故障预测方法研究

在总结了几种比较常见的故障预测方法的基础上，介绍了基于统计学习理论的支持向量回归算法。提出将智能遗传算法用来对支持向量回归模型的参数进行优化选取，并详细介绍了模型参数的选取过程，避免了参数的盲目设置。将建立起来的模型应用于雷达智能BIT故障预测领域，并以一组智能BIT状态监测的数据对预测模型进行训练和验证，实验结果表明支持向量回归模型能有效地对雷达故障进行预测。     

邻近支持向量机的阵列波束优化

针对标准支持向量回归波束形成器的计算复杂度高、内存开销大、训练速度慢的缺点,提出了邻近支持向量机(Proximal Support Vector Machine,PSVM)波束优化方法。PSVM打破了通过对偶问题求解原问题的传统思维,将支持向量回归的约束条件等式化,直接对原问题进行分析与求解,给出了基于PSVM波束形成器的优化模型及具体实现过程,并进行了数值仿真实验。研究结果表明,在保持波束形成器性能基本不变的情况下,降低了计算复杂度,减少了内存开销,提高了训练速度。与传统的支持向量回归波束形成相比,具有良好的快速性,为波束形成器的优化设计提供了一种新的有效方法。     

基于SVM的坦克炮弹外弹道仿真模型

运用基于支持向量机理论试图建立一个新的坦克炮弹外弹道仿真模型,以期取得更好的仿真效果。首先,分析了支持向量机回归理论和仿真模型的构建。其次,对坦克射表数据进行整理,构建了训练样本集和测试集。最后,利用构建的训练样本集和测试集分别对模型进行训练和测试,测试结果表明:由于支持向量机的强非线性映射能力,模型获得了很好的弹道形状与瞄准角的映射关系,从而较好地解决了目前通用仿真模型中与实际相差太远、模型复杂、条件苛刻、计算量大,不便实际应用等问题。     

基于支持向量机的雷达弹道外推方法仿真研究

支持向量机是一种求解回归预测问题的优秀决策方法,具有坚实的理论基础和优秀的预测性能。为解决目前雷达弹道外推中存在的精度不高和不能有效识别弹道等问题,对基于支持向量机的雷达弹道外推方法进行了仿真设计,并通过仿真弹道模拟雷达采样,进行了仿真实验。仿真实验结果表明:基于支持向量机的雷达弹道外推方法实用可行,可以获得较高的外推精度,并且能够有效地进行弹道识别。     

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.     

支持向量机的可靠度时序预测分析与应用

提出了一种利用支持向量机进行可靠度时序预测的方法.通过重构相空间的饱和嵌入维数,确定支持向量机的最佳输入变量;利用支持向量机强大非线性映射能力、网络结构的自动最优化特性,实现时间序列的非线性预测.最后,应用于某型发动机涡轮增压器可靠度预测,结果证明该方法具有较高的预测精度和较强的推广能力,对于一般意义上的可靠度监测具有重要的价值.     

粗糙集理论的支持向量机建模研究及应用

结合粗糙集的属性约简和支持向量机的分类机理,提出了一种混合算法.将粗糙集理论中的属性约简引入到支持向量机中来,把粗糙集作为支持向量机的预处理器,先降低原问题的维数,以支持向量机方法建立预测模型.提高了SVM的推广能力,减少存储空间,加快了支持向量机的训练速度,取得了满意的预测结果.     

航空发动机的可预测模型建模与应用

提出了一种基于混沌理论和支持向量的预测方法.通过重构相空间的饱和嵌入维数,确定支持向量机的最佳输入变量;通过计算混沌序列的最大Lyapunov指数,确定支持向量机预测模型的最大有效预测步数;利用支持向量机强大非线性映射能力、网络结构的自动最优化特性,实现时间序列的非线性预测.最后,应用于某型发动机压气机的试车时间序列数据建模与分析,结果证明该方法具有较高的预测精度.     

基于改进支持向量回归机的天基信息系统效能评估

天基信息系统效能的评估对于一体化作战的现代战争具有重要意义。针对武器系统效能评估的影响因子复杂、样本数量少、非线性较强等特点,采用支持向量回归机算法,并引入布谷鸟搜索算法对支持向量回归机的3个参数进行优化选取。仿真实验结果表明,改进支持向量回归机与传统支持向量回归机、BP神经网络相比,具有更高的准确度,可以有效地对天基信息系统进行效能评估。     

粗糙集和FSVM结合的雷达信号识别法

结合粗糙集的属性约简和支持向量机的分类机理,研究了一种混合算法,即应用粗糙集的属性约简过程作为预处理器,可以把冗余的属性及值和冲突的对象从决策表中删去,但不损失任何有效信息;由于传统支持向量机在多分类问题时出现的不可分区域现象,使用了模糊支持向量机进行后面的分类建模和预测,使得训练时间大大缩短和分类性能显著提高。将这种混合方法应用到雷达信号识别中,仿真实验证明该方法是有效的。     

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.     

基于混合挖掘的军事数据分类方法

基于军事信息系统的体系作战指挥,必须依托准确可靠的数据支撑。为了研究数据挖掘方法在军事数据上的学习性能,采用支持向量机方法和粗糙集对坦克连的作战数据进行了仿真实验。试验结果表明,支持向量机方法能够预测坦克连的命中率为100%,结合粗糙集方法,能够进一步提高支持向量机方法的学习性能,缩短学习时间。     

航空发动机混沌支持向量预测模型应用

提出了一种基于混沌理论的通用支持向量预测方法.该方法通过重构相空间的饱和嵌入维数确定支持向量机的最佳输入变量的选取;通过计算混沌序列的最大Lyapunov指数确定支持向量机预测模型的最大有效预测步数;利用支持向量机强大非线性映射能力、网络结构的自动最优化特性,实现时间序列的非线性预测.最后,应用于压气机的试车数据序列建...     

基于样本加权的支持向量机预测方法

不同的样本对最终预测模型的贡献程度是不一样的。在分析了采用支持向量机解决回归预测问题基本原理的基础上,介绍了"预测误差权重"和"样本关联度权重"的两种样本权重确定方法,并将其引入到支持向量机预测模型中来,最后用实例证明了采用样本加权后的预测精度要更高,而采用"样本关联度权重"法的精度又比"预测误差权重"法的精度要高。