基于AdaBoost-PSO-BP的舰船维修费预测方法

针对舰船装备维修费影响因素复杂、预测结果不稳定等问题,构建了AdaBoost-PSO-BP的舰船维修费用预测模型。引入机器学习中的方法,针对BP神经网络在较小样本规模的情况下精度不高的问题,采用粒子群算法和早期停止法,确定了最佳参数,消除了过拟合现象,并通过AdaBoost将BP神经网络优化集成,提升了模型的准确度和稳定性。实例验证了该模型的实用性、科学性和有效性。     

基于效能贡献度的装备软件定价方法研究

为肯定智力劳动的价值,科学定价装备软件,首先分析了装备效能与价格的关系,定义装备软件效能贡献度以度量装备软件为装备系统效能实现的影响和作用;然后,采用类比的思想和方法将装备效能作为类比指标,提出基于效能贡献度的装备软件定价方法。应用结果表明,该定价方法充分考虑了装备软件中智力劳动的价值。     

舰船装备维修费组合预测马尔科夫链修正模型

针对舰船装备维修费样本量小、不确定性大,且受最近一次维修费影响大的特点,将马尔科夫链引入到舰船装备维修费组合预测建模中。针对马尔科夫链状态空间划分的主观性,采用k均值聚类算法对各单项预测模型拟合误差进行聚类,形成k个状态空间;针对以误差最小为准则确定组合预测权重可能导致过拟合的问题,从拟合误差的准确性和发展趋势的相似性两个角度,分别给出了舰船装备维修费组合预测权重确定方法,并结合马尔科夫链对组合预测模型进行了修正。最后,实例验证了该方法的可行性和有效性。