基于支撑矢量机的导弹惯性器件故障预报系统研究

文中针对导弹惯性器件故障预报系统的设计要求,考虑到支撑矢量机用于故障预报的优点,在导弹惯性器件的故障预报过程中应用了支撑矢量机的训练算法.把支撑矢量机、预测理论和故障诊断系统有机结合起来,建立了一个故障预报系统.利用该系统选取支撑矢量机预测模型对某导弹陀螺随机漂移进行建模和分析,实现了故障预报.实例预测结果证明,给出的支撑矢量机预测模型和训练算法是有效和可行的.     

基于小波支撑矢量机非线性组合预测的导弹惯性器件故障预报

组合预测是预测领域的一个重要的研究方向．结合支撑矢量机和小波理论的优点，提出了一种基于小波支撑矢量机的非线性组合预测模型，其预测精度比各种单一预测方法大大提高．将该组合预测模型用于导弹惯性器件故障预报中，仿真结果验证了算法的可行性和有效性。     

改进粒子群算法优化的卫星钟差组合预报模型

针对现有单一导航卫星钟差预报模型存在预报精度不高的问题,提出了改进粒子群算法优化的组合预报模型。该模型利用差分自回归移动平均模型(ARIMA)和最小二乘向量机(LSSVM)模型的特点,首先建立ARIMA模型预报钟差数据的线性部分,并得到预报残差;然后,根据残差建立LSSVM模型预报非线性部分,最后的预报结果即两个预报结果之和。同时引入随优化代数变化的惯性权值和加速度因子,来提高粒子群(PSO)算法寻优能力,并用其优化组合预报模型中LSSVM部分的惩罚因子和核函数参数选取过程,以提高模型的预报精度。实例与结果分析表明,组合模型较单一模型在预报精度上有30%~50%的提高,为导航卫星高精度短期钟差预报提供了一种新思路。     

基于多小波能量谱与SVM的导弹惯性器件故障预报

针对利用时域信号进行故障预报精度低的问题,提出一种基于多小波能量谱与支持向量机(SVM)的故障预报方法.该方法以信号在多小波域上分解形成的能量谱作为故障的诊断特征,通过距离评测准则选取最优多小波能量谱特征子集.最后将最优特征作为样本训练支持向量机.利用训练后的SVM进行故障预报,试验结果表明多小波能量谱能更有效地反映惯性器件故障特征,利用SVM与多小波能量谱结合可以得到更好的预测精度.     

基于最小二乘支撑矢量机矩阵分割算法的陀螺仪误差系数预测

介绍了支撑矢量机的回归算法.针对支撑矢量机标准算法训练速度慢的问题,给出了两种不同形式的最小二乘支撑矢量机矩阵分割算法,并将其应用于陀螺误差系数的预测中.仿真实验结果证明了算法的可行性和有效性.     

基于GPS测量的弹道落点快速算法

将GPS接收机应用于弹道修正引信的关键技术之一是根据GPS测量的一部分弹道数据预测弹道的落点.文中采用正交多项式拟合弹道和误差补偿的方法预报弹道的落点,大大降低了预报落点的偏差,对GPS应用于弹道修正引信弹道的解算具有重要意义.     

改进灰色残差模型在航迹预测中的应用

为了提高航迹预测的准确度,加强对来袭目标的打击效果,提出一种改进灰色残差模型对目标航迹进行预测.该方法将灰色GM(1,1)模型与支持向量回归机相结合,通过对原始航迹数据建立灰色模型得到预测值以及残差序列,提出的改进残差模型运用支持向量回归机非线性拟合的能力对预测值进行修正,在一定程度上克服了GM(1,1)模型的缺陷,使模型预测结果的精度得以提升.分别使用灰色GM(1,1)模型、灰色残差GM(1,1)模型、改进灰色残差GM(1,1)模型3种方法对同一航迹进行预测并对预测的结果进行对比.计算结果表明:该改进模型在航迹数据变化较大的情况下能够较为精确地对航迹进行预测,有较高的理论和实用参考价值.     

基于最小二乘支撑矢量机矩阵分割算法的陀螺仪误差系数预测

介绍了支撑矢量机的回归算法。针对支撑矢量机标准算法训练速度慢的问题．给出了两种不同形式的最小二乘支撑矢量机矩阵分割算法．并将其应用于陀螺误差系数的预测中。仿真实验结果证明了算法的可行性和有效性。     

飞机完好率预测仿真研究

利用飞机完好率时间序列特性,建立了NAR神经网络模型和基于不同核函数的3种支持向量机模型对平时状态下的飞机完好率变化趋势进行建模、训练和预测;运用Matlab仿真软件进行试验验证,结果表明:支持向量机模型具有较好的拟合效果,预测精度优于NAR神经网络模型,基于RBF核函数的支持向量机预测准确率相对较高.两种预测模型相比于部队现行的预测方法均具有更高的准确度和可靠度.     

基于插值法的小样本时序建模预报研究

针对工程实践中经常出现的测试数据样本容量小的问题,提出了一种基于插值法的小样本时序数据处理方法,并将其应用到某型大气机故障时间的建模预测预报中,取得了较好的效果.