主成分分析法在评价全国火灾形势中的应用研究

介绍了主成分分析法评价火灾形势的基本原理,并对全国火灾形势进行了综合评价,最后对评价结果进行了分析,进一步证实了主成分分析法的科学性和合理性。     

基于核主成分分析的铁谱磨粒特征提取方法研究

针对铁谱分析的磨粒识别过程中存在原始磨粒特征描述指标参数多、非线性突出的问题,提出基于核主成分分析的磨粒特征提取方法,介绍该方法的原理与算法。结合某柴油发动机故障检测与分析系统中铁谱磨粒自动识别的应用实例,并与传统主成份分析方法进行对比分析,结果表明该方法在进行样本非线性特征参数指标综合以及特征维数压缩方面具有可行性和有效性。     

威布尔比例风险模型装备状态维修检测间隔期研究

针对装备的实际寿命受到多种复杂因素影响的情况,以威布尔比例风险模型为基础,建立了反应装备状态的可靠度模型,针对传统参数估计方法的不足,提出了利用遗传算法进行模型参数估计的方法。同时,利用主成分分析法,保证原始数据信息损失最小的情况下,以少数的综合变量取代原有的多维变量,简化了状态参数。以故障风险为决策目标,建立了状态维修检测间隔期决策模型。通过实例,验证了该方法的可行性和有效性。     

德国陆军接收最新型号的“豹2A7”型主战坦克

据2014年12月11日的《简氏防务周刊》报道,德国克劳斯-玛菲-威格曼(KMW)公司于2014年12月10日在公司位于慕尼黑的机构向德国陆军交付了"豹2"坦克的最新型号的—"豹2A7"型主战坦克。"豹2A7"型主战坦克利用了比较早生产的多种型号坦克的制造技术,包括"豹2A5"型、"豹2A6"型和"豹2和平支     

主元分析法和模糊积分的航空发动机气路状态监测

航空发动机是一个大系统,由于结构复杂、工作条件恶劣等因素影响,对其进行有效地健康状态监测成为航空领域长期难以解决的关键技术之一。为有效监测航空发动机健康状态,以航空发动机气路系统为例,提出一种基于主元分析和模糊积分的航空发动机状态监测方法。首先,利用主元分析法提取发动机状态样本集的主元,对样本数据进行降维,实现样本的最优压缩。其次,利用BP神经网络和Elman神经网络对发动机状态信息的特征向量进行初步状态监测。最后,利用模糊积分对采用两种神经网络的初步监测结果进行决策层融合,从而有效地实现对航空发动机气路系统的状态监测。通过某型真实航空发动机验证表明,所提出基于主元分析和模糊积分的状态监测方法,能有效提高监测的准确度,满足航空发动机状态监测的实时性要求,具有良好的工程应用价值。     

武警院校指挥类“合训”学员军事素质科学评价研究

针对武警部队第一批指挥类“合训”学员,选取部分“合训”学员的军事体能考核成绩,利用多元统计中的主成分分析方法,构造科学、客观的评价函数,对学员军事体能考核指标体系进行综合评价,并对每一名学员考核成绩排序,为武警部队“合训”学员教学、管理提供参考。     

基于主元加权和自控步长的反演成像联合迭代法

为提高弹性波CT层析成像中反演成像的质量,同时考虑到反演成像过程中系数矩阵的病态性,提出了基于主元加权和自控步长的联合迭代法(HSIRT算法)。该方法通过对原方程组系数矩阵进行降条件数主权加元预处理,再与基于范数收敛性构造的自控步长迭代格式相结合进行求解。通过数值模拟和预制含缺陷的方钢管混凝土构件进行试验检测,结果表明HSIRT算法较SIRT算法具有更好的收敛速度和精度;求得的无缺陷区波速更为平稳,无缺陷区与缺陷区波速差距更为明显;对缺陷的辨识度更高,成像效果更好。     

基于KP CA的作战仿真实验数据特征提取方法

针对作战仿真分析过程中各作战要素的复杂性与非线性,研究了一种基于KPCA的作战仿真实验数据特征提取方法。该方法描述了KPCA特征提取的原理和算法,并将其应用于作战仿真实验数据的空间降维,根据累积贡献率确定新特征的数量。仿真结果表明,该方法与PCA相比具有主成份特征明显、贡献率集中等优点,能够有效综合原始数据的非线性特征,降低原始数据的维数。     

改革发展闯新路

正兵团是我们党的一项开创性事业和一个伟大创举,创造性的事业更要求我们开阔眼界、解放思想。兵团自初创时期开始,就迈出了改革的步伐。尤其是从改革开放初期,兵团恢复建制起,兵团人走出了一条紧密结合时代发展要求、与时俱进、不断探索、大胆创新之路。"一主两翼"揭开改革序幕1983年3月,农七师一二九团政委徐佩玺带头养了20只鸡、3只鹅。1个月后,他将300个鸡蛋、60个鹅蛋拿到市场上出售,卖了63元钱。在他的带领下,该团职     

基于主成分分析法的代价敏感极限学习机

在入侵检测中,传统的极限学习机(ELM)没有考虑到两方面的问题:一是误分类代价的敏感问题,在网络入侵检测中,需要考虑到误分类代价不同的问题,并以实现期望代价最小化为目标;二是冗余特征的处理问题,当入侵特征维数较多时,会存在着大量的冗余特征的问题,如果直接对高维数据进行分类,不仅入侵模式不能被准确分类,误检率较高,并且大量的冗余数据既耗费了系统的资源,也增大了入侵检测的时间。针对这两方面的问题,提出一种基于主成分分析法的代价敏感极限学习机(ELM)。通过主成分分析法对数据进行降维,确定主要特征;再将预处理后的数据训练极限学习机(ELM),以实现期望代价最小化为目标,从而实现降低入侵检测的检测时间,降低检测误报率,提高检测准确率的目的。实验表明,在入侵检测中,基于主成分析法的代价敏感极限学习机(ELM)与传统的ELM相比,不仅使分类准确率得到提高,降低了分类的误报率,而且在分类速度上也有一定的优越性,提高了网络运行的效率。