基于NRS-SVM模型的航空弹药消耗预测研究

结合航空弹药训练消耗的特点,研究邻域粗糙集(Neighborhood rough sets,NRS)与支持向量机(Support vector machines,SVM)融合的航空弹药训练消耗预测问题。通过邻域粗糙集将5个初始影响因素约简为3个核心影响因素,并以此训练集对支持向量机进行回归优化。通过参数寻优得到最优的惩罚参数和核参数,进而构建NRS-SVM组合预测模型来预测航空弹药消耗。实证研究表明,该模型预测结果与实际数据吻合度较高,且与其他预测模型相比具有更好的预测性能。     

中介粗集及其在数据挖掘中的应用

粗集理论已成功应用于数据挖掘，如基于粗集方法的属性发现和决策规则的约简等。中介集合论是以中介逻辑为基础，也可以用于数据挖掘。文中将两者相结合，提出了中介粗集的概念。中介粗集是普通粗集的推广，为不完全信息系统的数据挖掘提供了新的工具，不仅可用于一般的信息系统，还适用于数据取空值的信息系统（允许结论取空值）。利用中介粗集进行数据挖掘不但可以得出粗集理论中的约简，还能得到更为简洁的中介约简。文中还给出了     

基于粗集理论的属性约简关键技术概述

本文从静态属性约简和动态属性约简两个方面对基于粗集理论的属性约简关键技术进行了归纳总结,静态属性约简算法有基于信息熵、基于正域及基于辨识矩阵的约简算法,同智能计算方法结合的动态属性约简算法有并行属性约简、基于粒计算的属性约简及增量式属性约简等。指出今后属性约简的发展方向是在大数据时代下同智能算法、并行计算、云计算等技术融合发展的趋势。     

基于区分矩阵的多粒度属性约简

多粒度是粒计算领域的重要研究方向之一,它在两个或多个不同的粒度下进行问题求解,已经成为解决复杂问题的一种新的范式。属性约简作为粗糙集理论的核心内容之一,已被成功地应用于粒计算、数据挖掘等领域。将多粒度思想应用于属性约简将是一个有意义的研究方向。为此,本文运用粒计算理论中的粒化思想进行属性粒化,构造多个属性粒;然后基于属性粒上的区分矩阵计算属性粒的重要度和属性粒中属性重要度;最后利用这两种重要度设计了一种多粒度属性约简算法。通过在不同的粒中挑选属性,该算法得到的约简结果更具有代表性和差异性。本文利用6个数据集对提出的多粒度属性约简算法的性能进行测试,实验结果表明了提出算法的有效性。     

基于泊松分布的航材库存决策优化研究

针对军队部分航材需求服从泊松分布的特点,在考虑经费限制的条件下,合理安排航材订购量,建立随机需求的航材库存优化模型,从而对传统的库存模型加以改进。研究单品种航材和多品种航材库存模型,并通过相应的实例分析,结果表明：应用库存优化模型,可使有限的经费发挥更大的作用。     

航材消耗的时间序列分析

本文采用时间序列分析法对某种航材故障率进行预测,用移动平均法消除时间序列的长期趋势和周期变动,然后按月平均法求出季节指数,并对季节指数进行调整,然后根据拟合的趋势方程对此种航材的故障率进行预测.其结果能为航材的可靠性保障提供理论依据.     

航材应急保障决策支持系统的设计与实现

结合航材保障决策支持系统的数据需求,详细地研究数据库系统的结构;根据航材应急保障的决策问题,对模型库系统所应包含的模型进行分析;设计的系统的实现架构,综合人和计算机两者优势,能有效地辅助航材保障决策机关对航材的保障进行决策。     

疲劳损伤及寿命预测的塑性功模型

在Coffin－Manson公式的基础上提出了低周疲劳损伤及寿命预测的塑性功模型,即选择滞回能的一半Wai、拉伸断裂塑性功Wf及一个材料常数β来定义发生明显循环硬化及循环软化材料的疲劳损伤参量Di＝（Wai／Wf）β。并从内、外两方面因素分别讨论了外界作用程度（Wai）及材料的固有属性(Wf及β)在低周疲劳损伤中的作用。     

基于支持向量机和人工免疫的新结合算法

为了减少大规模数据的支持向量机的样本训练时间，提出了人工免疫（aiNet）和支持向量机（SVM）相结合的算法（ai—SVM）。aiNet能在进行样本压缩的同时抽取原始数据的相关信息并保持原始数据的样本分布。压缩后的样本组成了抗体网络，并在此抗体网络上构建了支持向量机模型。最后结合实际数据样本对ai—SVM算法进行了验证。结果表明，ai-SVM算法可大大减小训练样本集和训练代价，且不降低精度。     

基于PSO-SVR的飞行员工作负荷预测

飞行员工作负荷是影响飞机运行安全的重要因素。开展飞行员工作负荷预测是适航审定过程中,验证驾驶舱设计是否符合适航规章的重要手段。本文针对某型民用飞机设计了模拟飞行试验,用于采集飞行员生理指标数据和国家航空航天局任务负荷指数（National Aeronautics and Space Administration task lood index, NASA-TLX）量表评价数据。以飞行员生理指标数据为输入,NASA-TLX量表主观评价数据为输出,建立了基于粒子群算法优化的支持向量回归机（Particle swarm optimization-support vector regression, PSO-SVR）模型的飞行员工作负荷预测模型。对本文建立的PSO-SVR模型与默认参数的支持向量回归机（Support vector regression, SVR）模型的预测精度进行了对比,针对4个不同场景,预测精度分别提高了7.5%、9.5%、7%和5.8%,结果表明基于PSO-SVR的预测模型得到的飞行员工作负荷预测值精度更高。