一种基于SVR的飞机巡航段油耗预测方法

针对飞机巡航段燃油消耗量预测问题,提出一种基于支持向量回归机(SVR:Support Vector Regression)的预测建模方法,并应用Grid-Search参数寻优法优化模型参数,基于真实QAR数据建立SVR预测模型,并从平方相关系数和平均绝对百分误差两个不同指标与BP神经网络模型的预测结果进行比较,比较结果表明:SVR预测模型的预测结果精度高。     

基于支持向量机的航空发动机性能衰退指标预测

针对航空发动机性能衰退状态的趋势预测问题,基于非线性支持向量机回归建立了发动机性能衰退指标的预测模型,给出了反映其性能衰退的综合指标。利用该模型对发动机的性能衰退指标进行了预测分析,并与神经网络模型预测结果进行了比较。结果表明:支持向量机回归预测模型能更准确地对发动机的未来状况进行预测。     

基于支持向量机回归的民机航材消耗预测研究

航材作为装备保障的关键部件,其精确化保障在降低库存管理成本、优化资金分配、提高飞行安全等方面有重要作用。为保障飞机正常起飞,增加航空公司运营收入,降低航材保障费用,针对飞机航材消耗样本小、变化大难以预测的问题,提出一种基于支持向量机回归的航材消耗预测模型。以某国产民用飞机实际消耗数据为例,对支持向量机回归模型的预测精度进行验证。结果表明：该支持向量机回归模型对小样本数据有很好的适应性,相比指数平滑法具有更高的预测精度。     

支持向量机时间序列预测模型的参数影响分析与自适应优化

建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力,因此与建立在经验风险最小原则上的神经网络模型相比,理论上更为完善.本文运用支持向量机建立时间序列预测模型,研究影响模型预测精度的相关参数,在分析参数对时间序列预测精度的影响基础上,提出用遗传算法建立支持向量机预测模型的参数自适应优化算法.最后,用太阳黑子数据和航空发动机油样光谱数据进行了预测分析.算例表明了本文算法的正确性.     

飞机结构部件疲劳寿命预测技术研究

为解决飞机结构部件疲劳寿命有效预测的难题,以实现视情维修,提升飞机的安全性与可靠性,本文以某型军用飞机某一关键结构部件———水平尾翼为具体研究对象,对其进行疲劳寿命预测技术研究。采用飞机结构疲劳寿命专用试验平台,对飞机水平尾翼进行长期疲劳寿命试验,得到疲劳寿命真实试验数据,运用模糊相关理论及强化函数,建立混合疲劳寿命预测模型,应用此模型对飞机水平尾翼疲劳寿命进行预测研究。试验结果表明,所设计的模型预测准确性较传统M iner模型有了很大提高,具有很好的工程实用价值。     

Al-Cu-Mg-Ag合金强度性能的支持向量回归预测

为了研究不同时效工艺下Al-Cu-Mg-Ag合金强度性能,根据实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了SVR预测模型.模型以Al-Cu-Mg-Ag合金时效温度与时效时间为输入,合金的抗拉强度、屈服强度为输出.经过与BP神经网络模型进行比较,结果表明:对于相同的训练样本和检验样本,支持向量回归模型比BP神经网络模型具有更高的预测精度.     

基于径向基函数的变量预测模型模式识别方法

针对变量预测模型模式识别方法中4种数学模型不足以反映特征值之间复杂关系的缺陷.因此,提出了一种基于径向基函数的变量预测模型(VPMRBF)模式识别方法,把提取的特征值输入到VPMRBF分类器中,然后通过训练样本建立反映特征值之间复杂关系的径向基函数预测模型,最后把测试样本的特征值作为径向基函数预测模型的输入,以预测误差平方和为依据完成分类.该方法充分有效地利用并且结合径向基函数和变量预测模式识别方法的优点,实现了故障特征提取到故障识别的全程诊断. 滚动轴承故障诊断实验分析结果表明:与径向基神经网络、支持向量机和变量预测模式识别方法相比,VPMRBF的识别率分别提高了4.75%，1.75%和5.25%.      

基于改进支持向量机回归的非线性飞机结构载荷模型建模

为进行飞机结构载荷安全监控并为飞机结构疲劳寿命评估积累相关数据,需建立与飞行参数相关的 飞机结构载荷模型。针对飞机结构载荷与飞行参数之间的非线性关系,采用改进停机准则的 SMO 算法及粒 子群模型参数优化算法对支持向量机回归方法进行改进,并通过飞行动力学理论分析结合皮尔逊相关系数的 方法对参与建模的飞行参数进行选取。以飞机跨声速俯仰机动为例,建立机翼某一测载剖面结构剪力模型,并 对该建模方法进行仿真验证。结果表明:采用改进支持向量机回归方法所建立模型精度优于原始支持向量机回归方法建立的模型,即采用改进支持向量机回归方法可提高建模精度及泛化能力。     

基于单因素SVM的航空兵空运转场飞行架次需求预测研究

航空兵部队成建制空运转场飞行架次需求预测,对机关、航空兵部队拟定空运计划、进行空运准备等都具有重要的意义。运用序列后向选择方法(SBS)对影响飞行架次的特征因素进行逐层淘汰,利用支持向量机(SVM)理论建立单因素非线性回归模型,进而对飞行架次进行预测。预测结果表明:同多因素SVM预测模型相比,单因素SVM预测模型虽在预测精度上没有显著提高,但其减少了预测的前期工作量,方便了机关和部队的使用,实现了飞行架次预测的实时性要求。     

基于支持向量机方法的发动机性能趋势预测

为了提高对航空发动机性能趋势预测的精度，提出利用支持向量机方法来预测表征发动机整体性能的参数一性能综合指数。建立了基于支持向量回归的一步及多步预测模型，利用该模型对性能正常衰退及性能异常发动机的综合指数分别进行预测，并与自回归(AR)模型的预测值进行比较。结果表明，基于支持向量机的预测模型比AR模型的预测精度更高，其四步预测精度由80．56％提高到88．51％。因此该模型尤其适合中、长期预测。     

飞机起飞着陆性能智能计算模型及应用

提出了一种飞机起飞着陆性能智能计算思路。详细分析了影响飞机高原起飞着陆性能的主要因素,提出了高原起飞着陆性能智能计算的一般模型,然后采用支持向量机(Support Vector Machines,SVM)对某型飞机高原起飞滑跑距离实测数据进行了建模和验算,同时为说明支持向量机模型适合工程使用、精度高、推广性高的优点,还与贝叶斯正则化BP神经网络(BRBP)、RBF神经网络(RBF)、自适应神经模糊推理系统(ANFIS)做了比较。计算结果表明,支持向量机具有很好的推广性能,得到的结果优于BRBP,RBF和ANFIS等智能计算方法,推广误差能够满足工程的实际需要。该模型对于发展和丰富飞行器起飞着陆性能计算理论具有一定的参考价值。     

航空发动机故障的支持矢量机智能诊断

引入支持矢量机和多元分类算法到航空发动机故障诊断当中。通过设计的多元分类支持矢量机构建了小样本多参数航空发动机故障智能诊断模型，然后通过发动机故障仿真器对典型发动机气路故障进行了诊断。结果表明，支持矢量机具有优秀的故障学习能力，采用它进行航空发动机故障诊断是可行、有效的。     

基于最小二乘支持向量回归的混沌时间序列预测研究

研究利用最小二乘支持向量机预测混沌时间序列。混沌时间序列预测是典型的小样本学习问题,基于结构风险最小化原理的支持向量机方法,克服了神经网络易于陷入局部极值点等缺点,能够获得全局最优解。最小二乘支持向量机是一种在二次损失函数下采用等式约束求解问题的一种支持向量机,在保留支持向量机优点的同时使计算量大大减少。对典型混沌时间序列的预测结果表明,最小二乘支持向量机回归预测方法具有良好的泛化推广性能,预测精度高,适合于复杂非线性时问序列建模预测。     

基于IPSO Elman神经网络的航空发动机故障诊断

为提高航空发动机故障诊断的精度,提出改进粒子群优化的Elman神经网络对航空发动机故障诊断的方法。利用MIV(平均影响值)对神经网络的输入端自变量进行筛选，降低输入维度；采用改进粒子群优化算法对Elman神经网络的权值和阀值进行优化，并对优化的神经网络进行训练；用训练好的神经网络对航空发动机故障进行诊断并与常规的BP（back propagation）、Elman神经网络、GM（1,n）、SVM (support vector machines)进行对比。仿真结果表明:IPSO Elman(improved particle swarm optimization Elman neural network)神经网络的诊断误差在不同数量训练样本时都小于其他方法，并且在参选故障诊断的性能参数不同时，其诊断误差相近，展现出较强的适应能力。      

基于智能复合结构的可靠性分布模式自动识别

 采用Vor onoi 向量对SOM 网络算法进行了改进, 提高了学习收敛速度。通过提取数据的统计特征,建立了可靠性分布模式自动识别样本。提出的智能自动识别模型分两层, 在SOM 网络层对概率分布模式进行自动聚类, 在支持向量机层对各聚类组进行分类学习和识别, 获得识别模型的双层记忆权值。最后采用模型对常用可靠性分布模式进行了自动识别研究。测试结果表明, 建立的可靠性分布模式自动识别模型是可行、有效的。     

军用装备采购费用评估中的神经网络模型

在BP神经网络理论指导的基础上,从影响装备采购费用的因素出发,根据BP神经网络的多层结构,运用反向传播算法(BP算法)构建战斗机采购费用BP网络模型;同时,运用BP网络模型对已知采购价格的5种类型军事装备进行了采购费用估算和MATLAB仿真,取得了比较满意的结果,达到了提高装备采购费用的预测速度和精度的目的,显现了BP神经网络方法的优点,为军用装备采购价格的预测提供了一种新的有效的方法。     

基于BP网络的机载导弹备件需求量预测

针对机载导弹部署后期与备件有关的各项保障数据比较充足的情况,在进行备件需求量影响因素分析和量化的基础上,应用BP神经网络模型对其进行了预测。仿真结果表明,充分利用了各有用数据,能有效提高预测的可靠性和准确性。     

基于蚁群改进 BP算法的组合预测模型在军械器材需求预测中的应用

针对在军械器材采购计划制定环节中的器材需求测算问题,提出基于蚁群改进BP算法的组合预测模型。先结合历史数据,利用多元线性回归预测法和自回归滑动平均模型（ARMA）进行初步预测,将初步预测的结果作为蚁群改进BP网络的输入,从而得到最终的预测结果。实验结果表明,基于蚁群改进BP算法的组合预测模型能够对积累的历史数据进行充分的应用,并且有较高的预测准确性。     

基于支持向量机的航空发动机滑油监控分析

提出了一种基于支持向量机的航空发动机滑油金属含量预测方法。详细分析了支持向量机用于时间序列预测的理论基础,并给出了运用支持向量回归进行多步预测的一般公式,提出了用最终预报误差(FPE)准则优化选取嵌入维数。与传统的AR预测模型相比,支持向量机由于采用了新型的结构风险最小化准则表现出优秀的推广能力。经过数值仿真得出自回归(AR)模型仅适合于短期预测;支持向量机预测推广能力强、具有较强的鲁棒性和容错性,对较长区间预测仍具有较好的效果。最后,将其应用于某型发动机滑油的铁金属含量预测,取得了较好的效果。