基于递阶偏最小二乘回归的飞机采购价格预测

分析了飞机采购价格预测建模样本数据少、价格驱动因子众多的特点,考虑到递阶偏最小二乘回归(Hierarchical Partial Least-Squares Regression,Hi-PLS)方法在变量规模巨大情形下进行回归建模的优势,应用Hi-PLS对飞机采购价格进行预测。以战斗机采购价格预测为例进行了研究,首先对战斗机采购价格驱动因子进行分组,然后应用Hi-PLS对分组后的价格驱动因子进行回归,建立采购价格预测模型。实例表明,在飞机采购价格预测方面,采用递阶偏最小二乘回归预测更能体现价格与飞机性能参数之间的关系。     

基于偏最小二乘回归的军用飞机采购价格预测

考虑到军用飞机采购价格样本数据少、难于预测的特点和偏最小二乘回归方法在处理小样本多元数据方面的优势,提出一种基于偏最小二乘回归的军用飞机价格预测方法.偏最小二乘回归首先提取第一、第二主成分对采购价格样本的特异点进行剔除;然后进行变量投影重要度分析来筛选变量;最后,偏最小二乘回归对筛选的变量进行回归建立军用飞机价格预测模型,并对军用飞机价格进行预测.结果表明,在军用飞机价格预测方面,与未筛选变量的回归模型和逐步多元回归相比,经过变量筛选的偏最小二乘回归模型预测的精度更高,更能体现采购价格与飞机性能参数之间的关系.     

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。     

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。     

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SVR的飞行学员培养效果仿真

研究了飞行学员培养效果与训练内容、训练时次的关系是进行课程优化的前置工作,针对实际工作很难对训练计划的阶段训练效果进行预测,缺少必要的工具对飞行学员经过阶段性培养后应达到的水平进行定量化描述,在运用层次分析法对近3年飞行学员能力评定的基础上,利用支持向量机回归预测方法,构建了飞行学员培养效果预测模型,并利用MATLAB进行了验证,可为飞行学员训练效果预测提供技术参考和研究方向。实例表明,与常用的BP神经网络预测方法相比,所提出的支持向量机回归预测方法在训练效果预测精度上具有明显优势。     

脉冲末修弹落点预测导引方法研究

在分析剩余射程影响因素的基础上,以弹道特征参数弹道高y及速度矢量分量Vx和Vy为解释变量,以回归分析方法为数学工具,建立脉冲末修弹剩余射程预测模型。以目标点与弹丸预测落点之间的差值为广义弹道偏差,结合数值仿真,对落点预测导引进行深入研究,验证了回归分析模型的可行性。     

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。     

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PCR的战时物资需求预测研究

需求预测作为物资供应的首要环节,是有效消除"需求迷雾",提升保障效能的关键.选取回归分析法作为战时物资需求预测的主要方法,分别构建了多元线性回归和主成分回归预测模型,并结合野战供水实例进行了对比分析.结果 表明,主成分回归模型不仅具有较强的可操作性,而且有较高的预测精度,能有效提升战时物资需求预测水平.     

军用飞机采购价格预测研究

分析了我国军用飞机价格预测中存在的困难,从我国国情出发,提出了我国军用飞机价格预测的两种方法:根据制造成本和期间费用预测价格方法与相似飞机预测价格方法.相似飞机预测法是指采用偏最小二乘回归、神经网络或灰色理论等方法,根据相似飞机的性能与价格数据建立价格预测模型,实例表明,相似飞机价格预测法具有较高的精度.     

军用飞机采购价格的RBF神经网络预测

分析了现代军用飞机采购价格估算中存在的问题.应用基于k-均值聚类算法的RBF神经网络建立了军用飞机采购价格预测模型,并采用该模型对某型军用飞机采购价格进行了预测.与多元线性回归和BP神经网络的预测结果对比,建立的新型军用飞机采购价格预测模型具有更高的预测精度,为军用飞机采购价格预测提供了一种新的有效方法.     

基于灰色非线性回归模型的故障预测

为克服传统灰色模型的局限性,通过对一阶累加生成序列规律性的分析,将灰色模型和非线性回归模型相结合,构造了一种灰色非线性回归模型。实例仿真结果表明,该模型既拓展了传统灰色模型的适用条件,又比传统灰色模型和非线性回归模型具有更高的预测精度,且适用性广。     

回归分析在漏磁定量检测中的应用

通过分析漏磁场,选取法向分量的峰峰值和峰峰值间距作为漏磁通信号的特征量。重点介绍了多元回归分析模型理论、参数估计方法和回归模型的假设检验,得到缺陷宽度、深度与峰峰值和峰峰值间距之间的回归模型,最后利用漏磁数据对回归模型进行了检验,结果表明预测缺陷宽度和深度的误差不超过10%,利用回归分析能够实现漏磁检测的定量化。     

战场物资损耗综合分析模型研究

为了提高战场物资损耗量的预测精度,运用系统工程和系统论原理,提出了一种综合预测与分析战场物资损耗量的新方法,构建了基于灰色决策和多元线性回归组合预测的综合分析模型。基于BP神经网络,提出了综合分析模型的权值求解方法。仿真分析及模型验证表明,该综合分析模型具有较高的预测精度。     

基于差分自回归移动平均模型的城市火灾趋势预测

以火灾统计数据中的火灾发生起数为研究对象,利用时间序列分析中的差分自回归移动平均模型对城市火灾进行预测。以北京市2000～2006年火灾数据为例,建立了乘积季节模型,进而预测了北京市2007年月火灾发生起数,并与实际值相比较,发现该模型预测结果较为准确,可用于对火灾作短期预测,预测结果可为消防部门的决策提供科学依据。     

无人机卫星导航系统的电磁干扰态势评估方法

在战场复杂电磁环境下,卫星导航接收机很容易受到电磁干扰而出现不定位的现象,针对这一现象,提出了一种基于环境感知无人机卫星导航接收机的电磁干扰态势评估方法。以干扰信号的特征参数、导航接收机未受干扰时的接收状态作为预测的输入,以接收机跟踪环路失锁时的效应阈值作为观测目标值,建立了极端梯度提升(extreme gradient boosting, XGBoost)的预测模型。在此基础上,给出了导航接收机电磁干扰态势的等级,提出了导航接收机在单源和双源电磁干扰下的态势评估方法。通过与高斯过程回归和支持向量机回归的预测方法进行比较,结果表明XGBoost方法具有更好的预测精度。依据该预测方法,综合利用技战术方案,有利于提高无人机在复杂电磁环境中的适应能力。     

谈火灾统计与消防监督

根据火灾统计数据 ,利用一元线性回归数学模型 ,预测火灾发展态势 ,用于指导现实消防监督工作     

GM(1,1)和SVR的雷达电子部件状态趋势预测模型

为提高雷达电子部件状态趋势预测的精度,根据测试数据特点,提出了基于GM(1,1)与支持向量机回归(SVR)的组合预测模型。采用粒子群优化算法分别对GM(1,1)和SVR模型进行了改进,提高了单一模型的预测精度。在此基础上,结合GM(1,1)模型对趋向性数据的预测优势和SVR模型对数据波动的强适应性,达到了取长补短、相得益彰的效果。实验结果表明该组合模型不但具有更高的预测精度,而且对不同预测对象有更强的适应能力。     

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。