基于LS-SVM算法的实兵对抗演习作战效能评估

在实战化实兵对抗演习训练中,经验驱动的作战效能评估方法存在主观性强、评估效率低的问题,对于部队提升实战化训练水平、强化实战能力带来不利影响。针对上述问题,提出数据驱动的实兵对抗演习作战效能评估方法,引入最小二乘支持向量机算法(LS-SVM)构建评估模型,通过演习数据对模型进行训练,建立效能指标和作战效能的非线性映射复杂关系。实验表明,基于LS-SVM算法的实兵对抗演习效能评估方法具有更高的效率和精度。     

基于SVM的控制棒驱动机构滚轮状态评估方法

针对控制棒驱动机构滚轮振动信号非平稳、小样本的特性,提出了一种基于支持向量机的滚轮状态评估方法。该方法首先对信号进行小波降噪,再将降噪后的信号分解为若干乘积函数分量之和,选取包含主要故障信息的分量进一步分析,从这些分量中提取几种特征参数作为支持向量机的输入参数,建立了滚轮故障识别模型。通过对滚轮正常状态、故障状态的分析证明,该方法可以准确、有效地对滚轮的工作状态进行分类。     

故障预测技术综述

把握新军事变革机遇,加快信息化建设步伐,对军事装备进行有效的质量监控和故障预测是技术保障的重要内容。阐述了故障预测技术,系统地介绍了现有的、比较有代表性的故障预测技术方法,并叙述了其优缺点;最后重点对故障预测技术的发展前景进行了展望,指出了该研究领域当前需要进一步研究的问题和发展方向。研究故障预测技术对提高装备的维修和保障能力具有十分重要的意义。     

基于鲁棒多元LS-SVM的齿轮箱故障诊断方法

多元LS-SVM算法可以直接用于多分类模式识别问题,通过对该算法的误差变量进行加权,消除了训练样本中异常值或非高斯噪声的影响,增强了多元LS-SVM算法的鲁棒性。然后,利用改进算法建立特征向量与故障模式之间的映射关系,得到齿轮箱故障诊断模型。仿真表明:与传统BP神经网络相比,鲁棒多元LS-SVM算法对齿轮箱的故障诊断的精度更高,抗干扰能力和鲁棒性更强,是一种在齿轮箱故障诊断中值得推广和采用的算法。     

粗糙集和FSVM结合的雷达信号识别法

结合粗糙集的属性约简和支持向量机的分类机理,研究了一种混合算法,即应用粗糙集的属性约简过程作为预处理器,可以把冗余的属性及值和冲突的对象从决策表中删去,但不损失任何有效信息;由于传统支持向量机在多分类问题时出现的不可分区域现象,使用了模糊支持向量机进行后面的分类建模和预测,使得训练时间大大缩短和分类性能显著提高。将这种混合方法应用到雷达信号识别中,仿真实验证明该方法是有效的。     

基于特征空间中类别可分性判据的特征选择

针对支持向量机首先要将数据通过一个非线性函数映射到高维特征空间,从而在特征空间中改变了数据的分布,因此在设计支持向量机分类器时有必要在特征空间进行特征选择,而非原空间。提出在特征空间中利用类别可分性判据进行特征选择,将类内类间距离引申到特征空间来计算可分性判据。通过仿真,该方法能够有效地在特征空间进行特征选择。     

基于二进制传感器网络的目标运动方向估计方法

介绍了方向估计二进制传感器网络(DE-BSN),提出基于统计学习解决目标运动方向估计的思路,并给出了使用线性判别分析法(LDA)和支持向量机算法(SVM)的估计方案。仿真分析了在不同传感器节点密度时上述算法的精度、和在节点出现错误的情况下算法对目标方向估计的可靠性。实验结果表明上述算法均可实现高精度的目标方向估计,并都具有一定的鲁棒性,各自的优势分别在于:LDA的计算复杂度较小,而SVM的估计误差较小。     

支持向量顺序回归机的线性规划算法

支持向量顺序回归机是标准支持向量分类机的一个推广,它是一个凸的二次规划问题。本文根据l1范数与l2范数等价关系和优化问题的对偶原理,把凸的二次规划转化成线性规划。由此提了支持向量顺序回归机的线性规划算法,进一步用数值实验验证了此算法的可行性和有效性。并与支持向量顺序回归机相比,它的运行时间缩短了,而且误差i不超过支持向量顺序回归机;     

基于类神经网络模型的电路自主修复方法

为进一步提高电子系统在恶劣环境下的生存能力,对利用演化硬件实现电路自主修复的方法进行了研究。首先,根据FPGA芯片与多层前馈神经网络的相似性,建立了一个可用于数字电路演化的门级电路模型,设计了专用的二进制列向量编码方法;然后,给出了实现电路自主修复的工作流程,探讨了进行电路故障诊断和修复的途径,提出了快速重构与演化相结合的电路修复方法。Matlab仿真试验表明：基于类神经网络模型的遗传算法较适合进行演化修复操作;修复效果分析表明：快速重构与演化修复相结合的修复方法比单纯依靠演化修复更为便捷。     

基于偏最小二乘特征提取的支持向量机回归算法

为了提高SVM的建模质量,简化建模难度,提出了PLS-SVM组合回归建模方法.该方法通过PLS对样本数据进行降维、去噪以及消除共线性处理后,再进行SVM回归建模.不仅保持了SVM良好的模型性能,而且使SVM具备特征提取功能.实验结果表明,该方法是可行的,采用此法构建的SVM模型,泛化性能优于没有特征提取的SVM.