基于任务的装甲装备器材需求预测

分析基于任务环境下的装甲装备器材消耗影响因素,同时考虑预防性维修与修复性维修两种策略下的3种情况,以总成本最低为目标,以任务成功性及器材使用可用度为约束构造了基于任务的器材需求预测模型,并通过实例对模型进行求解与仿真校正,验证了模型的合理性及可行性。     

基于BP神经网络的装备器材需求预测模型

准确预测装备器材的需求数量,是装备器材保障工作的重要内容和装备器材计划管理的前提。采用BP神经网络算法,通过对装备器材历史消耗数据进行处理,建立了装备器材需求预测模型,并结合实例,对模型进行了探讨和验证。     

装甲装备器材装箱优化研究

在对装甲装备器材进行科学分类的基础上,着重研究了直方体类器材的装箱优化问题,解决了目前装甲装备器材的类型与品种多、形状差异大,人工选择器材外包装箱时费时费力的问题.     

基于灰色神经网络的装甲器材需求量预测

分析了装甲器材需求量影响因素,将灰色预测与神经网络预测方法相结合,建立了装甲器材需求量预测的灰色神经网络计算模型。该模型具有灰色系统的少数据建模及神经网络的精度可控性等优点,能较好地解决目前装甲器材需求预测精度不高的问题,可为装甲器材管理部门制定订购、调拨计划提供决策依据。     

基于BP神经网络法的后勤装备零配件需求预测

精确的零配件需求预测,是实现后勤装备精确化技术保障的基本前提。影响后勤装备零配件需求量的因素具有非线性特征,而BP神经网络法对复杂非线性问题具有很好的适应性,因此可以运用BP神经网络法对后勤装备零配件需求进行预测。运用BP神经网络方法,通过M脚本文件编程建立预测模型进行实证分析表明,运用该方法建模对后勤装备零配件需求量进行预测是科学可行的。     

装甲装备器材自动化除锈保养设备的研制

以装甲装备器材的除锈保养要求为牵引,首先设计了除锈保养的工艺流程,然后从封闭式主架结构、控制系统、机械臂运行系统、除锈清洗系统等关键技术入手,完成了装甲装备器材自动化除锈保养设备的研制。通过运行试验及大量器材的保养实践证明,设备运行可靠、性能优越,能够有效提高器材除锈保养的自动化水平、保养质量与保养效能,满足装甲装备器材除锈保养的要求。     

基于遗传BP神经网络的装备研制风险分析方法

简要介绍了GA和BP算法,利用遗传算法全局性搜索的特点,改变BP算法依赖梯度信息的指导来调整网络权值的方法,寻找最为合适的网络连接权和网络结构,提出了遗传算法优化BP神经网络的思路及其数学模型.最后,结合对某型航空装备的风险源的分析,利用此优化模型进行了验证.结果表明了该方法的可行性,为装备研制风险分析提供了一种新思路.     

装甲装备器材仓库MIS分析与设计

为提高装甲器材仓库的管理水平,促进装甲装备技术保障建设,结合我军装甲器材仓库编 制体制和器材保障需求,应用面向对象的方法,提出了系统的总体框架、层次结构,论述了系统的功能。 从而为我军装甲器材仓库的信息化建设提出了一套切实可行的技术方案。     

装甲装备橡胶器材防老化涂料的制备

以有机硅改性丙烯酸乳液为基料,制备了具有一定弹性和抗老化性的装甲装备橡胶器材防护涂料,并对涂料的耐湿热性、耐盐雾性进行了测试。结果表明:纳米硅丙涂料是一种综合性能优异的装甲装备橡胶器材防老化涂料,能够有效地延长橡胶器材的库存寿命。     

基于遗传神经网络的装备抢修性预测模型

装备的抢修性是装备设计时赋予装备的一种固有属性,直接影响到战场抢修工作。抢修性模型是抢修性研究的重要内容。针对抢修性量化模型难度大的特点,尝试采用具有自学习能力的神经网络对抢修性进行仿真预测,同时为提高神经网络的性能,运用遗传算法对其优化,从而得到基于遗传神经网络的装备抢修性预测模型。最后仿真结果表明该模型可较好地用于抢修性的仿真预测,能为新研制装备的抢修性设计提供有益参考。     

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。     

装备采购风险的BP神经网络评价模型

装备采购具有高风险的特点,科学、准确的风险评价对装备采购至关重要.传统的评价方法主观因素太强,而BP神经网络模型为装备采购风险评价开辟了新途径.首先介绍了人工神经网络模型的原理和BP算法,然后结合实例给出了用于装备采购风险评价的BP神经网络模型,采用该模型获得结果令人满意.     

BP神经网络的弹道导弹态势等级模型

针对弹道导弹的目标特性和作战特点,对主要态势指标进行了提取,构建了基于BP神经网络的态势等级模型,并按照区间对预警等级进行划分。为提高模型的准确性和适应性,通过样本数据对BP网络进行了训练,并进行了仿真得到了态势等级。仿真结果表明:利用BP神经网络对态势等级进行研究是可行的。     

基于MSOA神经网络模型的装备保障费用预测

引入基于多步骤优化方法(MSOA)神经网络模型用以预测装备保障费用。实验结果表明,与传统的ARIMA时间序列模型和常规BP神经网络模型相比,基于MSOA神经网络预测模型具有更高预测精度。因此,该模型是一种更有效的装备保障费用预测模型。     

基于BP神经网络的空中目标威胁排序

研究了BP神经网络算法对空中目标进行威胁排序的方法.水面舰艇对空防御作战中,舰载平台多传感器系统获得空中目标属性信息不完全,利用BP神经网络建立目标各属性权值的分配模型,通过大量的实例对模型进行训练,可以使所获得的空中目标属性信息得到充分利用,从而得到基本符合战场环境的客观的空中目标威胁排序.     

BP神经网络在电子设备可靠性验证中的应用

讨论了借助MATLAB的BP神经网络解决电子设备在寿命分布未知和小样本试验数据时的可靠性评估方法, 并给出了一个应用实例, 该方法可以提高可靠性评估置信度, 并能节省试验时间和费用, 特别适用于大型复杂电子设备。     

基于EMD、遗传算法及神经网络的柴油机故障诊断

研究了将经验模式分解(Empirical Mode Decom position,EMD)、遗传算法及BP神经网络相结合对柴油机振动信号进行故障诊断的方法。首先运用经验模式分解方法对柴油机缸盖表面振动信号进行分解并提取特征参数;然后利用遗传算法对得到的特征参数进行选择,找到对于故障诊断最为敏感的参数;最后建立了BP神经网络模型对柴油机典型故障进行诊断。通过对某型柴油机的验证,表明该方法能够准确识别柴油机供油系统的典型故障。     

基于动态神经网络的装备技术状态预测模型

装备的技术状态受多种因素的影响,诸多影响因素之间是一种多变量、强耦合、非线性的关系,同时这种关系还是动态的。根据装备技术状态的特性,使其在相空间里重构,然后利用动态神经网络建立装备技术状态预测模型,并以装备振动信号预测为例进行案例研究,验证了利用动态神经网络进行预测的可行性和优越性。