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。     

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.     

基于神经网络的导弹惯性器件故障预报系统研究

在导弹武器系统当中,及时准确地故障预报对提高导弹的安全性具有极其重要的意义.针对导弹惯性器件故障预报系统的设计要求,考虑到神经网络用于故障预报的优点,在神经网络技术应用于导弹惯性器件的故障预报过程中提出了神经网络的训练算法,把神经网络、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,利用该系统选取神经网络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,给出的神经网络预测模型和训练算法是可行的.     

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。     

几种基于神经网络的导弹惯性器件故障预报方法及其性能比较

研究了标准BP网络、改进的BP网络(带动量的自适应BP网络)、 L-M网络和RBF网络及其学习算法, 探讨了基于这四种神经网络的导弹惯性器件故障预报方法, 并通过仿真实验对四种网络的预测预报性能进行了分析比较.结果表明, L-M网络和RBF网络对惯性器件的故障预报比两种BP网络更准确, 收敛速度更快.     

基于ARIMA模型的备件消耗预测方法

对基于求和自回归滑动平均模型的备件消耗预测方法进行研究,提出将使用过程中备件消耗的数据看作时间序列,通过建立相应的ARIMA（p,d,q）模型进行预测的方法。依据该方法选用航空兵战场某种航材备件的消耗数据进行预测。结果表明预测的准确度提高近15％,说明该方法适用于备件消耗预测。     

基于标定信息的惯性测量组合故障树分析方法

针对惯性测量组合结构和工作原理复杂，发生故障难以快速诊断，充分利用标定信息，采用故障树分析法对其进行故障诊断，可在短时间内查明故障原因，从而实现故障的快速定位。通过具体案例分析，表明此方法具有可行性和有效性。     

基于灰色系统理论的惯性组合可靠性排序

灰色评估方法在惯性组合可靠性排队中的应用是一项新的方法．探讨了惯性组合可靠性排队的重要意义，叙述了采用灰色评估方法进行可靠性排队的方法步骤及其对决策的参考价值．     

基于支持向量机的预测控制算法

采用基于支持向量机的模型预测控制法来实现非线性模型预测控制.控制器设计采用改进MOUSE(Modifled Univariate Search)方法来解决非线性约束优化问题.其具体实现通过计算种群适应值函数、检查每个解是否满足约束条件、选取一定数量产生子代的种群计算相应适应值,更新设计变量等步骤完成.     

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RS理论的支持向量机分类模型

基于粗糙集(RS)的支持向量机(SVM)分类模型用RS预处理原始样本数据,通过属性和对象的约简消除输入样本数据冗余条件和样本,简化样本数据空间维数.预处理后数据作为样本数据训练SVM,其模型采用模糊离散.用C 编程实现仿真,选用RBF核函数训练SVM,仿真证明该分类模型提高训练速度和分类精度.     

基于支持向量机补偿的灰色模型网络流量预测

针对网络测量与控制技术中提高流量预测准确性的问题,提出基于支持向量机残差补偿的灰色模型网络流量预测模型。该模型采用灰色模型进行趋势预测,支持向量机进行残差序列预测,实现残差补偿。实验结果表明:该模型具有预测模型样本小,预测精度高等优点,适合于网络流量预测。