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。     

油料消耗神经网络组合预测模型

油料消耗单一预测模型精度不高,难以适应信息化条件下精确保障需要。以单一的神经网络预测模型、时间序列预测模型和灰色预测模型为组合预测的基础,利用神经网络求取3种预测模型的组合预测权重系数,将这3种单一预测模型的预测结果作为神经网络组合预测模型的输入,求得一个新的预测结果。平均相对误差和均方差比表明,神经网络组合预测模型比单一预测模型更为优越。     

基于预测的战场态势感知信息分发机制

针对目前战术互联网传输能力无法满足态势感知信息传输要求的现状和态势感知信息存在大量冗余的特点,提出了一种基于预测的战场态势感知信息分发机制。通过Qualnet软件对这种方式进行了仿真验证,结果表明在可用带宽紧张时,预测方式相对于原有的周期分发方式,降低了数据的发送量,并能提供更高精度和时效性的态势感知信息。     

基于小波神经网络的货运量预测

选取我国1979—2011年国民生产总值、能源生产总值、进出口贸易额、社会消费品零售总额和固定资产投资总额5项指标作为货运总量的主要影响因素,以货运总量为输出,建立了基于Morlet小波函数的小波神经网络预测模型。该模型能够揭示货运量与相关变量之间的非线性映射关系,经实例分析得到了较满意的结果,并通过与实际货运量和BP神经网络预测结果的对比,证明了小波神经网络在货运量预测方面应用的可行性。     

任务驱动下航材需求量的GA-GM-BP预测

机务保障影响着航空装备战斗力的生成,机务保障资源是任务成功率的物质支撑.基于航材需求信息的灰色性,通过采用DEMATEL方法提取影响航空备件需求量的关键影响因素,采用遗传算法优化的灰色神经网络对需求量进行了仿真预测,其预测精度较BP神经网络和灰色神经网络都高.该方法对于其他航空机务保障资源的需求预测有借鉴意义.     

体育教育专业学生体育消费现状调查分析——以石河子大学体育学院为例

研究学生群体的消费水平对衡量一个高校学生的消费观念具有很重要的现实意义。高校作为群众体育工作的一个重要的组成部分,对学生体育消费现状的把握更有利于推进群众体育工作的发展。本文综合运用文献资料法、问卷调查法以及比较分析法,对石河子大学体育学院体育教育专业的学生体育消费的现状进行调查与分析,总结出该校体育教育专业学生群体中的体育消费现状,寻求相应的措施以改善现状,并提出建议。     

基于发动机工作过程计算的空气滤清器模型

针对二级滤清式自动抽尘空气滤清器进行研究,提出了其基于发动机工作过程计算的功率损失计算模型.该模型以发动机工作过程计算为基础,考虑了空气滤清器进气阻力与发动机工作过程之间的影响.通过实例计算,说明该模型能够用来模拟空气滤清器所造成的功率损失,随发动机工况的变化关系,从而为进一步模拟动力装置效率打下相应的基础.     

导弹装备战场损伤预测仿真研究

装备的战场损伤、损耗预测是作战保障的基础。文中构建了导弹装备损伤预测的马尔可夫Markov模型,导弹装备战场损伤部件数量动力学预测模型,并针对战场损伤强度和维修强度对损伤概率和部件损伤数量进行了仿真。对导弹作战计划以及装备保障与维修计划的制定具有指导意义。     

舰空导弹毁伤目标所需弹耗量评估

舰空导弹毁伤目标所需的弹耗量是一个随机变量,提出了舰空导弹毁伤目标所需的平均弹耗量计算方法,计算舰空导弹毁伤单个目标、疏散目标、密集目标所需的平均弹耗量。示例分析表明,该计算方法简便易行,可为舰空导弹火力运用提供决策支持。     

Lot sizing with learning and forgetting in setups: Analytical results and insights

This article considers the dynamic lot sizing problem when there is learning and forgetting in setups. Learning in setups takes place with repetition when additional setups are made and forgetting takes place when there is a break between two successive setups. We allow the amount forgotten over a break to depend both on the length of the break and the amount of learning at the beginning of the break. The learning and forgetting functions we use are realistic. We present several analytical results and use these in developing computationally efficient algorithms for solving the problem. Some decision/forecast horizon results are also developed, and finally we present managerial insights based on our computational results. © 2016 Wiley Periodicals, Inc. Naval Research Logistics 63: 93–108, 2016