导弹贮存寿命预估的组合模型

在分析比较了几种寿命预估方法优缺点的基础上,针对单一预估方法在解决实际问题中所暴露的局限性,优选了GM-BPNN组合预估模型.该组合模型既利用了灰色预估理论具有所需要的样本数据少、原理简单、运算方便、短期预估精度高、可检验等优点,也发挥了神经网络并行计算、容错能力强、自适应能力强等优点.最后利用该组合模型对弹上某设备寿命进行了预估,取得了较好的预测效果.     

BP神经网络的身管寿命预测方法

作为影响火炮寿命的炮膛烧蚀和磨损,其作用过程是一个相当复杂的综合过程。到目前为止,还不能建立起一个较好的数学模型来计算火炮内膛烧蚀磨损量。针对这种情况,在实测数据的基础上,提出了采用BP(Back Propagation)神经网络的方法,利用其优越的非线性逼近能力和泛化能力来计算炮膛烧蚀磨损量,并根据最大烧蚀磨损量进行身管寿命预测。     

基于神经网络趋势预测的装甲车辆柴油机寿命预测

针对装甲车辆柴油机现有定期维修方式存在的"维修过剩"和"维修不足"的问题,提出了装甲车辆柴油机神经网络寿命预测步骤,运用主成分分析方法将多个柴油机状态参数简化为2个综合参数,利用插值法得到柴油机各个时刻的综合参数数据,并作为神经网络的训练数据和测试数据,建立了装甲车辆柴油机寿命预测模型。结果表明:该模型预测精度较高,具有一定的应用和推广价值,为实现装甲车辆柴油机状态维修提供了技术支撑。     

基于BP神经网络的后勤装备资产寿命周期费用预测研究

BP神经网络就是指采用反向传播学习算法的前向多层人工神经网络,它具有分布式存储信息、高强的容错性、并行处理信息、自学习性和非线性映射逼近能力等运行特点。基于BP神经网络的后勤装备资产寿命周期费用预测模型的构建,通常按照初始化、构建网络、导入输入输出层和训练网络、决策、结论的步骤来完成。     

基于ARMA-BP组合模型的装备故障率预测方法

为解决单一模型预测装备故障率预测误差大、精度低的问题,提出了一种基于ARMA-BP组合模型的装备故障率预测方法。在建立ARMA模型和BP神经网络模型的基础上,采用加法集成法建立ARMA-BP组合预测模型,并利用方差倒数法确定ARMA模型和BP神经网络模型的权重系数。以某型装甲装备故障率数据为研究对象,对比ARMA模型、BP神经网络模型和ARMA-BP组合模型故障率预测结果,表明:相比于单一预测模型,ARMA-BP组合模型的装备故障率预测结果精度更高。     

基于组合神经网络模型的身管寿命预测

火炮是陆军遂行火力打击、合成攻击等使命任务的主战装备,其身管寿命直接影响火炮射击精度。通常采用膛线起始部径向磨损量作为火炮身管寿命的判别条件,但难以通过准确的数学模型对径向磨损量进行计算。针对径向磨损量难以计算问题,利用灰色GM(1,1)和麻雀搜索SSA算法优化的BP神经网络,建立火炮身管径向磨损量预测组合模型,利用实测数据对模型进行验证。结果表明,该组合模型预测结果满足全寿命周期的径向磨损量预测。     

基于遗传算法的装备使用保障费用灰色组合预测

针对目前对武器装备寿命周期费用估算建模难以实施的情况,以准确预测武器装备寿命周期费用的主要组成部分-装备使用保障费用为出发点,依据装备使用保障费用的特点建立了装备使用保障费用的灰色组合预测模型,指出了用蚁群算法优化组合权系数的不足,并提出了新的优化方法-遗传算法.最后,结合实例验证说明了该模型的预测效果优于蚁群优化的方法,为准确估算武器装备寿命周期费用提供了依据.     

基于压力测量的发动机汽缸磨损寿命预测方法

对不同摩托小时的某型坦克发动机进行了实车检测试验,采用压力传感器测量了发动机汽缸压缩压力,分析了汽缸压缩压力随发动机使用时间的变化趋势。分析了汽缸套磨损的特点及对发动机使用寿命的影响。针对发动机汽缸磨损的非线性特点,建立了人工神经网络预测模型,实现了对坦克发动机汽缸使用寿命的预测。     

基于灰色神经网络的装甲部队油料消耗预测

油料消耗量的精确预测直接影响装甲部队后勤保障能力的提升,而传统预测模型精度不高,应用范围也有一定的局限,难以满足信息化战争精确保障的需要。提出一种装甲部队油料消耗预测的组合模型,对历史油料消耗数据和油耗影响因素进行统计分析,求出各影响因素与油耗量的关联度作为权重系数;通过改进GM(1,1)模型预测某部队下一次军事行动的油耗量;用GM(1,1)模型的预测值、加权后的各影响因素值和油耗实际值训练网络,对下一次想定的军事行动油耗量进行预测。通过平均相对误差计算表明,组合预测模型比单一的GM(1,1)模型预测精度高,能够较好地指导部队进行下一步的油料供管工作。     

一种基于麻雀搜索算法的空中目标意图预测方法

针对BP神经网络（BPNN）的分类性能和遗传算法（GA）的参数寻优能力难以满足空中目标意图预测需求的问题,提出了一种基于麻雀搜索算法（SSA）优化支持向量机（SVM）的空中目标意图预测方法。利用SVM和SSA分别取代BPNN和GA,构建了SSA-SVM空中目标意图预测模型,并对模型的预测性能进行了仿真检验。结果表明,SSA-SVM比GA-SVM具有更快的收敛速度和更高的适应度值,比BPNN具有更高的预测准确性和更稳定的预测结果。因此,SSA-SVM可以准确、稳定地预测空中目标意图,能够满足意图预测在准确性和稳定性上的需求,提升了预测性能。     

钢质油罐罐底腐蚀预测模型研究与评价

钢质油罐在储存油料时不可避免地会受到严重腐蚀.为能够掌握罐底的腐蚀程度,提出了一种由灰色系统理论和BP人工神经网络相结合的方法建立预测模型,对钢质油罐罐底腐蚀情况进行了预测,并通过实例计算给出了评价.计算结果表明,预测值与实测值相差很小,尤其对油料腐蚀这种涉及较多因素的复杂过程,该方法具有明显的优越性;该模型克服了传统预测模型需建立函数的难题,且预测精度较高,具有较高理论与实际应用价值.     

遗传神经网络在保障资源需求预测中的应用

针对现代战争条件下装备保障资源需求变化快,保障资源预测困难的问题,首先分析了影响装备保障资源需求的因素,根据实际情况选取了平均维修间隔时间(MTBM)、平均修复时间(MTBR)等8项影响装备保障资源需求的关键指标,然后将基于遗传算法(GA)优化的反向传播(BP)神经网络应用于保障资源需求预测中,构建了基于遗传神经网络的需求预测模型,最后利用1980年～2010年实际保障资源需求数据对模型进行了验证。验证结果表明,基于GA优化的BP神经网络预测模型有较快的收敛速度、较强的适应性和较高的预测精度,适用于装备保障资源需求预测。     

一种BP神经网络算法的改进模型

首先对BP网络的结构和算法进行了分析,针对BP网络收敛速度慢,容易陷入局部极小等问题,提出了一种改进的BP网络模型,并对该模型算法进行了改进,通过激活函数的选择,网络的初始化,学习率的调整和训练样本数据的处理等方法,可实现加快网络的收敛速度,并且较好的解决局部最优问题.     

基于遗传BP神经网络的装甲装备器材需求预测

装甲装备器材保障具有规模大、时间紧、消耗大、不确定因素多、决策难度大等特点。准确的需求预测是实施主动的、精细化的器材保障的重要前提条件。利用BP神经网络较强自学习能力和自适应能力对器材需求规律进行学习,并借助遗传算法提高BP神经网络的收敛速度,设计了一种基于遗传算法改进的BP神经网络模型预测方法,对装甲装备器材进行需求预测。通过实例计算表明,该方法比单纯BP神经网络方法具有预测精度高、收敛速度快的优点。     

基于神经网络的材料非稳态疲劳损伤可靠性研究

疲劳累积损伤是一个非稳态能耗过程,可以用遗传算法优化后的3层2 7 1BP神经网络来描述疲劳损伤的非线关系,经仿真验证表明,该神经网络具有较高的精度和泛化能力.通过对材料疲劳损伤临界值和载荷的分散性的分析研究,建立了疲劳失效动态准则,并运用蒙特卡罗随机抽样法对材料疲劳寿命的可靠性进行了仿真验证;对调质45号钢在随机载荷和2级载荷作用下,进行了疲劳寿命可靠性仿真计算,仿真结果与实验结果和理论分析比较吻合.     

电液伺服系统的模糊神经网络自适应控制

针对电液伺服控制系统中存在的非线性影响,常规PID控制难以取得良好的控制效果,采用模糊神经网络自适应控制,通过BP算法改变模糊隶属函数的形状及模糊规则的中心值,实验结果表明该方法能有效地跟踪电液位置伺服系统。     

基于神经网络的雷达抗干扰效果评估

分析了常用的雷达抗干扰效果评估方法的特点,建立了雷达抗干扰效果评价指标集,对指标数据的采集和处理方法进行了分析,提出了一种基于神经网络的雷达抗干扰效果评估模型,论述了网络结构和样本获取方法,最后通过算例验证了模型的正确性和实用性。     

基于改进灰色波形预测模型的装备故障预测

装备故障预测存在小样本、波动性强的特性,针对传统灰色波形预测模型对波动序列进行拟合时误差较大问题,探索一种基于神经网络优化改进灰色波形预测模型的装备故障预测方法,该方法主要采用BP神经网络与灰色波形预测模型中GM（1,1）模型组进行并联,优化等高点出现时间预测精度,从而得出中短期时间内预测波形,最终计算得出未来某一时间点的装备故障率,装备故障预测实例表明,改进后的波形预测模型较传统波形预测模型有更高的精度。     

一座小型建筑空调动态负荷的ANN预测研究

人工神经网络(Artificial Neural Network,简称ANN)是一种崭新非线性建模和预测方法,具有良好的非线性品质和极高的拟合精度。在前人研究的基础上,针对一座小型建筑物建立了其空调动态负荷预测的BP模型。为克服常规BP训练算法的缺陷,提出了一种改进的遗传搜索算法,结果证明是一种高效实用的算法。