基于改进的神经网络的军械备件需求预测

针对当前军械应急保障中备件供应需求依据经验判断,从而导致保障不精准的现实问题,浪费应急保障资源,削弱部队战斗力.在对军械备件需求量进行分析时发现,军械备件需求符合间断型备件需求特征.基于改进的神经网络军械应急维修备件需求预测模型,利用神经网络模型的强大非线性函数的拟合能力,将间断型的备件需求分解为两步.最终,将两个序列预测结果综合分析,得出军械备件需求预测结果.根据改进神经网络预测模型,结合某单位某军械装备保障数据,用总体数据的4/5作为训练数据,1/5作为测试数据进行预测,实验结果表明,改进的神经网络预测模型预测精度优于其他预测模型,预测精度符合预期,可以为军械应急保障提供依据.     

顾及噪声影响的GNSS高程序列预测Prophet方法

全球导航卫星系统(global navigation satellite system, GNSS)高程时间序列具有非平稳、非线性、含噪声等特点,在深入研究Prophet预测模型的基础上,针对Prophet预测模型对于趋势信号和周期信号有良好预测效果这一特性,提出一种引入经验模态分解(empirical mode decomposition, EMD)的“降噪—分解—预测”组合GNSS高程时间序列预测方法。该方法先将原始时间序列进行EMD降噪,再对降噪后的序列进行分解预测,最后重构各分量预测信号为最终预测序列。通过对实测高程数据进行研究,实验结果表明：降噪后信号的平均信噪比为10.30dB,能量百分比平均为88.75%;利用所构建的短期预测方法,GNSS高程时间序列预测结果的均方根误差分别平均提升26.41%和14.88%;平均百分比误差分别平均提升18.92%和7.91%,验证了组合预测方法的有效性及实用性。     

基于SVD与数学形态学分形维数谱的战场声特征提取

分形维数作为战场声信号的特征,存在特征数量不足,反映信号非线性不充分的问题,提出了一种基于SVD与数学形态学分形维数谱(Singular Value Decomposition And Mathematical Morphological Fractal Dimensions Spec-trum,SVD-MMFDS)的战场声特征提取方法.对声信号构造Hankel矩阵,再进行SVD分解,根据信号频率与奇异值的关系,重构信号分量.将这些重构信号依次线性叠加,每叠加一次信号分量就计算一次分形维数,直至完全恢复原信号;通过这种方法,构成数量多且更能反映信号非线性的分形维数谱.运用半实物仿真实验将SVD与数学形态学分形维数谱的方法,与变分模态分解(VMD)和分形维数结合的方法进行对比,该方法提取的战场声特征具有更好的区分度且特征数量更多,为利用信号非线性来识别战场声目标提供较好的选择.     

装备保障备件需求预测算法

面对维和装备种类繁杂与维和环境复杂恶劣、保障维修矛盾突出的问题,必须强化任务开始前的维和装备保障备件需求预测。首先分析了维和任务特点,提出了维和装备保障构想;其次提出了维和装备保障需求预测步骤,研究了基于PSO-BP神经网络的维和装备保障预测模型;最后基于实际数据,采用实验验证的方法检验了算法的有效性。实验结果表明:通过基于PSO-BP神经网络的维和装备保障预测模型可以有效对维和装备保障备件需求进行预测,提高维和装备保障效能。     

基于HTCPN的飞机备件需求预测方法

针对航空兵部队飞机备件需求预测问题,提出了一种基于分层赋时着色Petri网(Hierarchical Timed Colored Petri Net,HTCPN)的飞机备件需求预测方法.根据飞机维修保障工作内容与流程,运用CPN Tools软件,构建飞机维修保障工作HTCPN总网仿真模型,以及故障维修工作HTCPN子网仿真模型.提出了备件需求量确定规则,建立了基于飞机出动架次率的备件需求预测模型.通过算例分析,验证了该方法的科学性和有效性.     

装甲装备周转备件需求最优组合预测

针对单项统计预测模型存在的不足,提出采用组合预测方法进行周转备件需求预测的观点,并建立了周转备件需求最优组合预测模型。首先,介绍了组合预测的基本原理和常用的周转备件单项预测方法。在综合权衡预测结果精度和稳健性的前提下,建立了基于预测误差绝对值和最小的周转备件最优组合预测模型,并给出了确定各加权系数和预测评价效果的方法。最后,结合案例验证了该组合预测方法的有效性和优越性。     

基于更新过程的多阶段备件需求模型

正态分布、威布尔分布是常用的备件寿命模型,但是正态分布和威布尔分布的记忆性会导致多阶段需求量预测的相关性.利用更新过程理论,将叠加的更新过程分解和拼接,建立单阶段多项备件需求模型;通过将年龄转移到下个阶段,建立了多阶段不可修备件需求模型;采用加权平均法对多阶段需求模型进行了修正.仿真表明,这种模型能有效预测多阶段需求的波动.     

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。     

一种航天试验装备备件需求组合预测模型

为适应高密度任务条件下航天试验任务对航天试验装备备件精确化保障的要求,提高备件保障的质量效益,运用组合预测的思想,在优选和改进单项预测模型的基础上,从实际值和预测值之间的相关性指标出发,结合信息集结算子动态赋权,提出一种航天试验装备备件需求组合预测模型。以5个典型误差指标对实验结果进行比较分析,该组合预测模型的预测结果均明显优于单项预测模型。通过建立组合预测模型,弥补了单项预测模型的不足,提高了航天试验装备备件需求预测的精度,为增强航天试验任务保障效益提供了方法参考和决策支持。     

经验模态分析法在雷达信号脉内分析中的应用

雷达脉内特征分析是信号分选领域一个重要手段,当脉内信号有多个雷达信号交叠在一起时,很难分析出其各自的调制方式。经验模态分解(EMD)在分析非平稳混合信号时效果显著,但其存在2个明显弊端。针对端点效应问题,首先采用小波分解将信号分解成各分量,随后对除噪声外的各分量利用ARMA模型对信号进行预测,接着对预测后的各分量进行小波重构,从而消除了端点效应,针对虚假分量的问题,结合雷达信号的特点改进了其终止条件,提高了EMD分解的性能。最后,对EMD分解后的各分量进行时频分析,得出雷达脉内信号的调制特征。仿真验证了算法的有效性。