基于支持向量机的发动机性能衰退指标分类和预测

基于支持向量机几何距离建立表征发动机性能衰退程度的指标,并基于相空间重构理论对该指标进行多步预测,表明回归支持向量机结果优于神经网络预测结果。利用主元分析、核主元分析方法对发动机性能特征量约简并提取其主元,得到核主元分析的分类效果更好。利用交叉验证的方法优化分类支持向量机和核函数中相关参数,给出发动机性能衰退指标曲线。通过建立统计量的方法分析发动机性能变化,确定性能变化关键点。所得结论对做好发动机维护保养工作,延长发动机使用寿命具有一定的指导意义。     

基于支持向量机和蚁群算法的空间目标分类

研究了基于支持向量机的空间目标分类中核参数和误差惩罚因子的选择问题.将蚁群算法与支持向量机相结合,提出了一种自动优选支持向量机模型参数的方法,克服了以往反复试验以确定其参数的缺点.采用所提出的方法,分类正确率迭90%左右,验证了该方法的有效性.     

基于支持向量机回归的电力负荷预测研究

不同于传统的基于经验风险最小化的回归方法,支持向量机回归方法基于结构风险最小化准则.与神经网络相比,该方法在解决学习精度和推广性之间的矛盾方面有明显的优势.本文以城市电力负荷预测为应用背景,对比研究了基于统计学习理论的支持向量机回归方法和神经网络方法.预测结果显示支持向量机可能是一种非常有前景的预测工具,其预测精度明显好于神经网络.     

基于支持向量回归机的航材周转件需求预测

将机器学习应用于航材库存管理之中,提出了基于支持向量回归算法的航材周转件需求预测模型。将聚合处理后的周转件月需求数据分为训练集和测试集,以训练集为输入,选取核函数和模型参数,对支持向量回归机进行训练。应用训练完成的支持向量回归机,以测试集对模型进行验证,预测结果证明了模型的有效性。     

基于支持向量机的武器装备批量生产经济性分析

对常规熟练曲线建模方法和支持向量机模型用于某型武器装备的批量生产经济性分析进行研究,着重分析了应用支持向量机进行批量生产经济性分析的具体形式以及方法特点,并给出了应用实例,结果令人满意。     

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。     

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SPSO-SVR的融合航空发动机传感器故障诊断

针对航空发动机常见的传感器故障问题, 提出了一种利用改进的粒子群算法训练支持向量回归机, 并利用融合机制将其应用于传感器故障诊断.论述了用一簇支持向量回归机(SVR)预测器对传感器进行实时检测, 通过逻辑判断机制隔离故障传感器, 并且依据剩余的无故障传感器信息实现信号重构.以某型航空发动机传感器在其整个工作范围内受到的冲击、偏置和漂移故障为例, 验证了基于自协调粒子群优化支持向量回归机(SPSO-SVR)算法的融合诊断机制对传感器单一故障和多重故障具有较高的精度和计算效率.      

基于支持向量机的航空发动机辨识模型

针对航空发动机具有强非线性、时变性的特点以及采用常规神经网络辨识时存在的局部较小,过学习等问题,提出了一种基于支持向量机的通用发动机模型辨识方法。该方法基于现代统计学习理论,采用结构风险最小化准则,保证了网络具有很强的推广特性,通过求解凸二次规划确保网络结构全局最优化自动生成。本文采用实测到的发动机飞行记录数据作为训练样本,利用回归型支持向量机建立了发动机的辨识模型,研究结果表明该方法的辨识精度较高,鲁棒性、容错性较好,具有较大的实用价值。      

基于支持向量回归机的数控机床 几何误差元素建模研究

针对数控机床几何误差元素建模时面临的误差样本数据少且呈非线性的问题,研究在小样本数据集非线性回归分析中具有独特优势的支持向量回归机,并基于此建立数控机床几何误差元素的预测模型。分析现有几何误差检测中常用的九线法所存在的测量选点难和计算累积误差等问题,提出增加每条测量线垂直方向直线度的测量和修正误差项计算模型的改进方法。以高斯径向基核函数为支持向量回归模型的核函数,运用交叉验证法,选取合适的模型参数,求解凸二次规划问题,进而建立几何误差元素的预测模型。以QLM27100–5X五轴龙门机床X轴为例,基于改进的九线法进行测量辨识得到几何误差样本数据,然后分别基于支持向量回归机和最小二乘法建立几何误差元素预测模型,对比两个模型的预测精度,结果显示,前者的预测均方差值MSE为0.0238,小于后者的0.072,验证了支持向量回归模型在小样本集下具有更高的预测精度。     

卫星地面站资源配置的SVM回归模型

针对卫星地面站资源配置问题输入输出关系的复杂性,提出支持向量机（SVM）回归模型。在模型学习过程中,利用正交设计抽样抽取小数量样本对SVM进行训练,求解二次规划问题,根据测试结果对模型参数进行调整以实现较小的预测误差。实验结果表明,该方法具有较好的拟合精度和泛化能力。     

一个实际回归模型的优化选择

本文是对一个实际问题作最优咽归模型的选择。对本文所论及的问题（见应用举例），作者所见到的均以指数回归模型或双曲回归模型作为最优的模型，可通过回归拟合、显著性检验与区间预测及方差分析发现更优的回归模型应是反比例回归模型。而且，作者还发现双曲线和指数回归模型的结果不能严格地满足平方和分解定理，反比例回归模型能精确满足。     

基于SVM算法的虚假航迹识别

针对云雨杂波和主被动干扰导致多雷达传感器产生虚假目标航迹的问题,利用支持向量机(SVM)算法的自主学习能力,通过构建基于数据驱动的判别模型进行虚假航迹识别。针对航迹起始得到的目标潜在航迹,利用人工智能数据驱动、自学习的特点,设计了SVM算法。通过对已标记真假的目标航迹样本进行离线学习,形成虚假航迹识别的SVM分类器,实现了基于数据驱动的判别模型代替先验知识规则约束的固定模型,并在工程应用中,利用SVM分类器在线识别虚假航迹,完成实时剔除。通过实测雷达数据实验验证,该算法的目标虚假航迹准确率高达95%以上,完全满足实际的工程应用需求。相比基于阈值或规则进行硬性判断的传统虚假航迹识别方法,所提出的算法不仅提高了准确率,还具有较高的实时性,能够适应复杂多变的杂波环境,在实际应用中具有更强的适应性和实用性。因此,提出的基于SVM算法的虚假航迹识别方法对于密集杂波场景下的虚假航迹剔除问题具有显著的实际应用价值。     

支持向量机的B737飞机水平尾翼裂纹故障预测

为保障飞机的飞行安全,做到预防性维修,提升飞机的飞行安全及任务出勤率,需要对飞机结构出现的疲劳裂纹进行及时检测并修理。基于支持向量机理论,建立了支持向量机回归预测模型,并应用该模型对B737飞机水平尾翼健康信息的特征值(小波包分解系数提取的能量)进行了故障预测研究。为建立最佳支持向量机模型,选用了支持向量机四种常用的核函数分别对特征值进行了预测。同时还对支持向量机预测模型与神经网络预测模型(BP神经网络预测模型)的预测结果进行了比较与分析,研究表明,应用支持向量机所设计的预测模型准确率比较高,可以较好地对飞机水平尾翼的裂纹故障进行预测。     

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。     

基于支持向量机的航空发动机PID解耦控制

针对航空发动机多变量控制系统中各回路之间存在的耦合现象,提出了一种基于支持向量机(support vector machines,SVM)的航空发动机PID(proportion integration differentiation)解耦控制方法.利用SVM辨识发动机非线性模型,并获得SVM瞬时线性化模型,在线性化模型的基础上完成了PID参数的在线自整定.利用Lyapunov稳定性定理对控制器的收敛性进行了分析.通过对某型航空发动机的仿真,验证了该方法的有效性和可行性.      

SVM在气体减压器稳定性能中的应用

使用支持向量机(SVM)研究涡轮气封减压试验系统中高压卸荷膜片式减压器的稳定性问题,主要集中于以往方法不易涉及的多结构参数变化.针对稀疏易有残缺的小样本空间,与BP(back propagation)神经网络模型进行对比,得出SVM方法在所研究数据集上的一些结论:SVM模型预测性能在多结构参数变化情形下优于BP神经网络模型,预测误差平均降低了25.5%;SVM的泛化性好于BP;在双参数、三参数情形下,SVM模型为气体减压器的设计提供了更好的决策支持,给出了优化结构参数的设计建议.      

基于改进SVM的模拟电路故障诊断

针对模拟电路的故障诊断和定位问题，提出了一种改进支持向量机（suppon Vector Machine，SVM）故障诊断方法。通过在标准SVM中加入了对数据流形局部分布的约束，设计了一种依赖于数据分布的新型SVM。相对于标准SVM方法而言，新方法有效融合了数据分布的先验信息，提高了模型的诊断精度。将其用于模拟电路的故障诊断，验证了所提方法的有效性。