粗糙神经网络的航空电子系统故障诊断方法

提出了一种基于粗糙神经网络的航空电子系统故障诊断方法.该方法运用粗糙集理论进行知识规则的提取,用提取的规则对航空电子系统输出数据进行分类,再用神经网络对每一类进行辨识,最后用粗糙集分类结果与各个神经网络输出进行综合得到系统一步预测结果,将该预测结果与航空电子系统实际输出进行阀值比较,进而进行故障诊断.实际应用表明该方法可行并能够有效地检测系统故障,故障诊断率高.     

基于矩估计的高原航空备件消耗规律研究

针对高原航空备件消耗规律难把握的问题,提出了一种解决低消耗器材消耗预测的方法,利用矩估计把握器材的消耗规律和Monte Carlo仿真器材消耗的数据,找出储备量与满足率之间的关系,预测年平均消耗量。     

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.     

灰色灾变与回归分析法的航空装备不安全事件预测

为提高航空装备不安全事件的预测水平,减少事故造成的人员和财产损失,将灰色灾变与回归分析方法有机结合,提出一种航空装备不安全事件的组合预测方法。该方法先从数据中找出灾变点(灾变发生的日期),通过建立这些灾变点的灰色灾变模型预测未来灾变点,再对这些灾变点上的值构建灰色预测模型,计算出未来灾变点的灾变值;而对于非灾变点,可建立合适的回归分析模型进行预测。为验证其可行性,在某飞行训练基地的航空装备不安全事件频数的数据基础上,建立了灰色灾变回归组合预测模型,结果表明,模型对2001年~2004年预测的相对误差平均控制在6.87%以内,所建立的组合模型,能够比较客观地反映航空装备安全的未来实际状况。     

基于粗糙集与神经网络相结合的模拟电路故障诊断

针对当神经网络输入端维数比较大造成在模拟电路故障诊断中BP神经网络结构庞大,从而影响到诊断速度以及正确率的问题,结合粗糙集理论和神经网络在信息处理方面的优势,建立了一个基于粗糙集理论和BP神经网络相结合的模拟电路故障诊断模型。通过对某装备位置调节器板的故障诊断过程表明,该模型简化了网络数据样本的维数,优化了神经网络结构,提高了系统的诊断正确率与诊断速度。     

基于粗糙集的装备保障要素关系研究

根据装备保障的特点和装备保障工作中面临的实际问题,结合装备保障影响因素分析,构建了基于粗糙集的装备保障关系研究模型,解决了传统分析方法不能描述不一致保障现象的问题,为装备保障研究工作提供了一种新的思路.     

基于BP神经网络的装备器材需求预测模型

准确预测装备器材的需求数量,是装备器材保障工作的重要内容和装备器材计划管理的前提。采用BP神经网络算法,通过对装备器材历史消耗数据进行处理,建立了装备器材需求预测模型,并结合实例,对模型进行了探讨和验证。     

军事运筹学在装备勤务研究中的作用

面对军事革命的挑战和机遇 ,军事运筹学在装备勤务中的作用重大。1　装备物资消耗和战损预测装备物资消耗和装备战损是战时装备勤务的前提。只有对装备物资消耗进行科学的预测 ,才能对物资供应进行周密计划。只有对装备战损进行科学的预测 ,才能对战场抢救和修理做出恰当安排。正确的决策是建立在科学预测基础之上的。装备物资消耗和装备战损的预测既包括对未来高技术条件下局部战争物资消耗和战损情况总体发展趋势的预测 ,也包括各种作战样式、各作战样式各战斗阶段中各种类型物资与装备消耗、战损情况的预测 ,军事运筹学都能提供极有参考…     

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。     

空军航空装备技术保障复杂性分析及对策

空军航空装备技术保障是空军战斗力的重要构成，是决定战斗胜负的重要因素。文章应用复杂性理论和复杂系统理论，从系统的规模与组分异质性、层次与整体涌现性、边界与开放性、主体的智能性以及高新技术对系统复杂性的重大影响六个方面，对空军航空装备技术保障复杂性进行了分析，并对如何应对这些复杂性提出了相应的对策。     

航空装备技术保障运筹分析方法研究

航空装备技术保障运筹是运筹学理论方法在航空装备技术保障领域的拓展及实际应用。针对航空装备技术保障内涵及重（难）点问题,论述了航空装备技术保障运筹分析的主要内容,构建了航空装备技术保障运筹分析方法体系。     

面向装备作战的弹药消耗智能预测方法

针对装备作战仿真环境下,弹药消耗预测计算时间长、实时仿真速度慢的问题,以战役战术火力毁伤弹药需求预测计算方法为主线,以人工神经网络为技术支持,提出了智能化的弹药消耗预测方法。通过遗传算法对网络连接权值的训练及优化,以及误差目标函数的改进与隐含层神经元数目的智能选取,提高弹药消耗预测的实时仿真速度,为下一步的弹药消耗预测研究提供了理论参考与方法支持。     

基于Volterra级数的航空年事故率预测方法

针对当前航空年事故率传统预测精度不高的问题,从分析混沌特性入手,对事故数据重构相空间,构建了航空年事故率预测的Volterra级数模型。对航空年事故率数据进行预处理,采用0-1混沌特性判定方法判断时序的混沌特性;在混沌时序的基础上,应用互信息法和假近邻法确定相空间的参数,重构相空间;基于此,构建二阶Volterra自适应预测模型,并采用NLMS算法实时获取模型的最优参数;最后,应用模型对美国空军飞行事故万时率进行预测,能够将相对误差控制在2%以内,优于传统灰色时序组合预测模型,所建的模型反映了航空装备的安全状况。     

基于 SD 的战时装备维修器材消耗预测模型

从影响战时装备维修器材消耗的主要因素入手,基于系统动力学方法构建了战时装备维修器材消耗的SD模型。通过对模型的运行与仿真得到了装备维修器材的消耗数据,验证了模型的适用性和方法的可行性,为科学预测战时装备维修器材消耗、做好维修器材保障工作提供了新的方法指导。     

基于SD的战时装备维修器材消耗预测模型

从影响战时装备维修器材消耗的主要因素入手,基于系统动力学方法构建了战时装备维修器材消耗的SD模型。通过对模型的运行与仿真得到了装备维修器材的消耗数据,验证了模型的适用性和方法的可行性,为科学预测战时装备维修器材消耗、做好维修器材保障工作提供了新的方法指导。     

离散Hopfield网络的航空装备机务人员能力素质模型评价

随着航空装备的不断更新,带来了航空维修内容、流程和模式的深刻变化。航空机务人员的业务能力高低成为影响航空装备安全的重要因素,为此,从静态、动态两个方面研究了航空机务人员能力评价问题。首先给出了航空机务人员能力指标体系,运用模糊综合评价法进行了影响因素权重计算和决策分析,其次利用离散Hopfield(DHNN)网络联想记忆能力,将5种机务人员能力等级指标的样本存储到DHNN的5种模式,最后运用DHNN在存储的典型等级模式中寻找与给定测试样本最相似的模式,从而确定测试样本所归属的能力指标等级。     

电子装备作战能力的正交探索性预测和分析

对电子装备作战能力进行分析必须基于作战能力的影响因素及其水平,但是这些影响因素及其水平很多,通过全因素组合试验进行作战能力预测分析并不现实。提出基于正交表对电子装备作战能力进行探索性预测分析,介绍了作战能力的正交探索性预测步骤和算法,并就通信侦察装备侦察概率的正交探索性预测进行了仿真分析。结果表明,电子装备作战能力正交探索性预测分析方法有效可行,能为装备的研制与实际作战使用提供更为合理的依据。     

基于粗糙集和神经网络的无人机侦察效能评估

针对无人机在多条件下的侦察效能评估问题,提出一种基于粗糙集和神经网络的无人机侦察效能评估方法.在该方法中,寻找影响因素构建无人机侦察效能评估指标体系;结合粗糙集理论去除当中的冗余因素;并在处理因素基础上利用遗传优化的BP神经网络构建无人机侦察效能的评估模型,以提高预测精度.仿真结果表明:该模型不仅能够克服传统BP神经网络容错性差,收敛速度慢的缺点,而且可以较好地完成无人机侦察效能评估.     

基于特殊任务Prophet模型的航材消耗需求预测模型

为了解决当前航材消耗需求预测方法难以处理特殊任务造成的异常消耗数据,对特殊任务数据的拟合和预测效果不佳的问题,应用考虑特殊任务因素的Prophet时序预测模型对航材的消耗过程进行建模。分析了特殊任务的航材消耗需求预测特点与要求,建立了特殊任务航材消耗需求预测Prophet模型,并与无特殊任务Prophet模型和传统时序预测模型进行了对比。结果表明:该模型能够有效拟合97%的特殊任务的航材消耗数据,具有更高的预测精度。