基于SVM 的作战效能灵敏度分析

从评估问题本身出发研究学习样本的构造方法,针对传统灵敏度分析方法的不足,提出基于支持向量机的作战效能灵敏度分析方法。分析基于最小二乘支持向量机（Least Square Support Vector Machine,LS—SVM）作战效能的原理与模型,提出一种新的基于属性效用函数估计的学习样本构造方法,提出基于PSO算法的LS—SVM参数的优化选择方法。总结基于支持向量机的作战效能灵敏度分析的实现算法,采用参考文献中的数据为例进行算例分析。结果表明,该方法无需考虑决策属性间的复杂关系,在灵活性和所提供的信息量上由于传统解析法,在计算速度上优于Monte Carlo法。     

基于LS-SVM的装备研制费用建模与分析

应用最小二乘支持向量机原理建立基于最小二乘支持向量机的装备研制费用预测模型，利用LS—SVM方法对装备研制费进行预测步骤包括样本数据准备、模型训练学习、训练结果评估等循环过程，然后应用实例进行预测与分析。结果表明采用最小二乘支持向量机进行装备研制费用预测，所需样本量少、预测精度高、泛化能力强。     

基于支持向量机的机电BIT虚警抑制

诊断间歇故障是降低BIT虚警的一个主要途径。针对目前间歇故障诊断方法的不足，根据支持向量机(SVM)的小样本学习优点，建立基于支持向量机的三状态(正常、间歇故障、永久故障)故障诊断模型，再以振动信号的AR模型系数为特征，在少量训练样本下，利用该模型SVM诊断间歇故障。实验结果表明，该方法可在多种间歇故障、少量训练样本的情况下，对间歇故障进行有效诊断，从而达到降低BIT虚警的目的。     

基于支持向量机的柴油机燃油系统故障诊断

介绍了支持向量机（SW）的机理，应用SVM对柴油机燃油系统进行故障诊断，通过试验确定了SVM参数的选择方法．实践诊断结果表明，SVM具有较好的诊断效果，对故障样本诊断的准确度较RBF神经网络高．     

基于Bayes准则的支持向量机

支持向量机( SVM)在处理分类问题时，纯粹从样本的角度出发，其分类效果取决于训练样本的特性，不考虑待分类问题的当前信息。本文从导弹武器系统的数据交叉现象出发，通过对支持向量机的决策函数增加反映待分类问题当前信息的先验概率项，将Bayes准则融于支持向量机算法中，提高支持向量机的分类效果；给出了算法的推导以及实现步骤。通过导弹武器系统中的两个实例对算法进行验证，新算法比传统支持向量机算法具有更好的分类效果，并且算法的鲁棒性和敏感性都得到提高。     

基于支持向量机的装备故障诊断研究

支持向量机（SVM）是统计学习理论（SLT）的一种成功实现,它建立在SLT的VC维理论和结构风险最小化原理基础之上,能够较好地克服神经网络容易出现的过学习和泛化能力低等缺陷.提出了一种基于支持向量机的装备故障诊断方法,应用该方法成功地对某型装备几种典型故障进行了正确诊断.在对检验样本施加噪声后,支持向量机构成的故障分类器仍然能够满足发动机故障诊断要求,表明提出的故障诊断算法具有良好的鲁棒性和推广性.     

基于主元分析与支持向量机的方法及其在过程监控诊断中的应用

基于支持向量机（SVM）在处理小样本、高维数及泛化性能强等方面的优势，提出了基于主元分析和支持向量机（PCA—SVM）对过程进行监控的方法。文中先利用主元分析方法进行特征数据提取，得到降维的主元特征向量，去除了高维样本变量相关性。然后分析各状态T^2统计、SPE统计量的变化趋势，对实际生产状况进行监控，最后利用SVM与最近邻法相结合的策略对特征向量进行分类识别。试验结果证实了提出算法的有效性。     

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.     

一种基于SVM 的航舵故障诊断方法

针对舵机故障样本数量不足、诊断知识不完备的实际情况,提出一种基于支持向量机(support vectormachine,SVM)的故障诊断方法。根据航舵故障输入输出映射非线性的特点,分析SVM的分类机理,对基于SVM的故障诊断步骤进行介绍,解决了小样本模式的分类问题,并通过仿真对该方法的有效性进行验证。仿真结果表明:该方法对舵机故障分类准确性可达92%。     

基于参数优化的支持向量机战场多目标声识别

针对网格搜索支持向量机(SVM)参数的方法存在复杂度高、运算量大等不足,提出了一种改进的网格搜索SVM分类器的最佳参数选择算法。将其应用于战场多目标SVM分类器中,对该分类器与KNN分类器和改进BP神经网络分类器进行的分类对比实验表明,改进的网格搜索SVM分类器参数选择算法可以有效地减少SVM分类器的运算量、改进学习性能并提高识别率。     

基于SVM决策树的数据链识别分类

摘要：为解决数据链信号识别分类的问题,提出一种基于支持向量机(support vector machine,SVM)决策树的数 据链识别分类方法。通过分析美军常用的数据链通信信号特征,采用小波变换法分析数据链的特征信息,得出小波 系数与信号能量分布的关系,根据SVM 算法原理,构建目标特征模型,对信号特征量进行识别分类,对SVM 分类 器的关键参数进行优化设计,并与BP 神经网络算法进行对比实验仿真。结果表明：SVM 决策树网络分类器在进行 收敛速度和准确率表现优异,能改善分类识别效能。     

弹药协调器动作可靠性估计

弹药协调器定位故障是火炮弹药自动装填系统的典型故障,其动作可靠性受多个不确定性因素影响,显式的极限状态方程难以获得。为计算协调器动作可靠性的定量数值,对协调器进行了不确定性建模,并根据标准状态的测试数据对模型进行了修正,构建了基于径向基神经网络的代理模型以提高计算效率,将网络输出与原始样本数据进行对比。结果表明,径向基神经网络能够很好地拟合原始模型。对代理模型进行了Monte-Carlo仿真分析,求解了定位误差的概率分布,弹药协调器的动作可靠性估计值为92.48%。     

基于Hopfield自联想神经网络的天幕靶信号识别技术

为了提高天幕靶系统测试精度和可靠性,探索测试产生各种干扰噪声如弹头激波、弹底激波、蚊虫飞鸟、振动等干扰因素的影响规律,利用Hopfield自联想神经网络的方法,识别并剔除典型因素干扰。通过对实弹射击试验得到的数据进行分析,充分验证了天幕靶系统的准确性和可靠性。分析结果表明：与电平信号识别相比,在射频为5发/min、口径为23 mm的炮弹测试中,自联想神经网络信号识别率提高了17.2%;在弹型为穿甲弹,口径为23 mm的测试中,Hopfield自联想神经网络信号识别率提高了46.7%;对于射频为7 500发/min的天幕靶连发弹丸信号测试条件下,正确信号识别率均达到了93%以上。在复杂环境条件下,Hopfield神经网络算法识别率远远高于传统的电平识别,提高了信号的识别率,能够适应一定区域内的复杂环境因素。     

基于WNN-ADRC 的高炮交流伺服系统控制

为解决高炮交流伺服系统控制中外界扰动及非线性特性的问题,提出一种基于小波神经网络的改进型自 抗扰控制器(WNN-ADRC)。利用LM(levenberg-marquardt)算法优化小波神经网络,采用优化后的小波神经网络对 扩张状态观测器的误差校正增益系数进行在线整定,设计基于小波神经网络的自抗扰控制器,以实现对非线性特性 的准确估计并予以补偿,并通过仿真实验进行验证。仿真结果证明：该控制策略使系统具有较好的稳态性能,抗干 扰能力强。     

隐马尔可夫模型和支持向量机混合模型声识别

为弥补单一模型在识别低空飞行目标时的不足,进一步提高低空飞行目标的识别率,提出一种基于HMM和SVM混合结构的低空飞行目标声识别算法.针对战场环境下声信号的特点,算法综合考虑HMM适合处理连续动态信号及SVM小样本情况下的强分类能力,利用HMM处理待辨识的连续动态信号,将HMM易混淆的信号作为与待辨识信号较为相似的模式类,形成候选模式集,再由SVM在候选模式中对待辨识信号作最后决策.实际数据的识别结果表明相对于单一的HMM和SVM,混合模型的识别率有一定的提高.     

敏捷性导弹的神经网络控制与制导

为了使导弹获得更高的机动性、敏捷性和导引精度,大多采用推力矢量控制方案.本文讨论了新型推力矢量控制导弹的动力学建模,在此基础上提出了适用于推力矢量导弹的神经网络控制与制导方案,其中的导弹控制方案包括双网络逆动态学习控制和混合神经网络控制两种.神经网络制导采用基于线性二次型的最优制导的有教师学习方案.神经网络学习算法中因引入了基于经验的模糊规则,具有较好的学习性能.仿真表明神经网络控制与制导方案具有较好的末制导导引精度.     

基于人工神经网络的结构可靠性分析

在结构可靠性分析中,通过人工神经网络拟合极限状态函数,借助神经网络的函数映射关系产生极限状态函数值。采用Mont。Carlo法随机抽样的思路,对大范围的数据进行概率分析,得到极限状态函数值的均值和标准差,求得结构系统的可靠性指标,该方法为极限状态函数无法显式表达的结构系统可靠性分析问题提供了一个可行方法。     

BP网络泛化能力的改进方法

改进的BP算法把检验网络得到的性能指标J反馈回神经网络训练中,利用J和testJ构造出新的性能指标newJ,通过训练和检验的性能指标加权得到神经网络最优权值和阈值.用检验样本集间接地调整网络参数,使网络既能搜索更优解又不过早陷入局部极小值,从而提高网络的泛化能力.     

基于神经网络的 PMSM 分数阶积分滑模控制

为了提高永磁同步电机调速控制性能,在分数阶积分滑模控制策略的基础上,设计一种基于神经网络的 变阶次分数阶积分滑模控制策略。利用分数阶积分随时间缓慢衰减的特性来增强系统的鲁棒性,通过指数趋近律削 弱滑模面的抖振现象,分析了分数阶阶次对系统动态性能的影响,引入 RBF 神经网络对滑模面函数中的分数阶积分 阶次进行动态调节,提高了系统的综合性能。仿真结果表明：与固定阶次的分数阶积分滑模控制相比,该控制方法 有利于取得更好的动态跟踪性能和稳定精度。