基于神经网络的故障率预测方法

 为了更好地预测产品故障率,提出了基于神经网络的故障率预测方法,分别给出了基于反向传播(BP)网络和径向基函数(RBF)网络进行故障率预测的基本思想、预测模型和实施步骤。分别对比分析了神经网络法与回归分析法、分解分析法、移动平均法、指数平滑法、自适应过滤法、自回归移动平均混合(ARMA)模型等统计预测方法的区别,对照故障率的特点,说明了神经网络法是其中最适用于故障率预测的统计方法。最后分别按这两种模型对某航空公司波音飞机故障率进行了预测,预测结果表明：这两种模型均适用于故障率预测,预测值与真实值的误差在20%之内,且RBF网络的预测效果略优于BP网络,此外通过与上述统计预测法的误差进行对比,说明神经网络法预测误差最小。     

基于粗糙集和BP神经网络的飞航导弹备件消耗规律预测

结合BP神经网络对飞航导弹备件进行消耗预测,提出了基于粗糙集和BP神经网络的预测法。该方法充分发挥了粗糙集在处理冗余数据上的优势,提高了预测速度和有效性。     

基于小波分解与ARMA-RBF模型的航班延误时间短期预测

针对航班延误的非线性复杂特性及短期预测精度不高的特点,研究设计了基于小波分解(WD)与ARMA-RBF的组合算法,以分析延误时间序列并进行短期预测。首先,引入小波分解方法,将航班延误时序进行分解得到近似分量和细节分量;然后,对各分量分别构建了自回归移动平均(ARMA)模型和径向基(RBF)神经网络模型并进行预测;之后,构建了WD-ARMA-RBF延误时间短期模型,最终结果即为各分量预测结果的组合叠加值;最后,依据实际延误数据进行了算例仿真。验证结果表明:该模型较WD-ARMA、AR、RBF及GM(1,N)等多种现行的经典算法具有更高的预测精度和稳定性,预测误差MAE仅为3.349,其应用于航班延误时间的短期预测有效、可行。     

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。     

基于民航团队旅客销售的组合预测方法分析

利用Matlab分别用回归分析算法、BP神经网络算法、最小二乘支持向量机算法和组合预测算法对民航团队销售数据进行预测和比较分析,期望为民航销售人员提供更加精准的预测信息,以获得更高的航线收益.结果显示神经网络、支持向量机和组合预测3种算法比航空公司常用的回归分析预测精准度有了明显的提高.支持向量机预测精度相对神经网络稍低,却拥有更强的泛化能力.组合预测能避免单一预测方法的误差,更加适合航线销售人员的实际操作.     

基于特征选择的BP神经网络算法滑行时间预测

为准确预测离港航班滑行时间,基于数理分析同时段场面航空器滑行数量、平均滑行时间等因素对离港航空器滑行时间的影响。将皮尔逊相关系数与随机森林算法相结合减少冗余特征变量,建立基于BP神经网络的滑行时间预测模型,提高离港航空器场面滑行时间预测精度,并通过交叉验证证明预测结果的稳定性。预测结果表明：通过皮尔逊相关系数与随机森林组合模型进行特征选择可提高BP神经网络预测结果的精度,离港航空器的滑行时间预测误差在±5min内的占比由88.23%提升至92.26%,且预测效果较为稳定。模型可以精确预测离港航班的滑行时间,为机场运行提供决策依据。     

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。     

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BP神经网络的翼型空气动力系数预测

本文介绍了BP神经网络的基本原理,建立了面向BP神经网络预测模型,对翼型的升力系数和阻力系数进行预测,并与风洞试验数据对比分析。结果表明,神经网络的预测精度很高,与试验数据的误差是可以接受的,验证了BP神经网络预测空气动力系数的可行性。     

基于EEMD和BiLSTM的航班准点率预测研究

航班准点率问题是民航业最为关心的问题之一,准确地预测出航班的准点率能够有效降低航班延误所带来的不利影响、提高乘客满意度。为解决普通深度学习预测模型存在的航班准点率数据挖掘程度不足、预测准确度较低的问题,提出一种基于集合经验模态分解法(EEMD)和双向长短时记忆神经网络(BiLSTM)的机场短期航班准点率预测模型。模型使用EEMD算法将准点率时间序列进行分解,采用BiLSTM结构作为预测模型,使模型能够更深层、高效地处理航班准点率数据,提高预测准确度。实验数据为2018年上海虹桥机场航班准点率及天气数据,实验建立了多个参照模型与所提模型进行对比分析。结果表明：提出的EEMD-BiLSTM模型相较于一般模型预测误差更小,准确度更高。     

军用飞机维修保障费用机器学习预测方法

介绍了军用飞机维修保障费用预测方法。确定影响费用值的元素为说明性变量,应用BP人工神经网络和支持向量回归估计（Support Vector Regression,SVR）理论模型,以及收集到的维修保障费用数据进行了训练并对某型飞机的维修保障费用进行了预测,将预测结果与实际费用值进行了对比,并将神经网络预测方法、支持向量机方法和其它预测方法进行了比较。     

基于小波变换的脉冲耦合神经网络预测模型及其应用

被称为第三代人工神经网络的脉冲耦合神经网络(PCNN)模型,以其耦合机制、脉冲输出两大基本特性广泛应用于图像处理等领域。文章在两大基本特性的基础上对PCNN进行了改进:增加了绝对误差控制公式;连接强度以相关系数来控制,调整阈值设置为最小误差;网络的运行机制与以往的PCNN原理有所不同;将ATrous小波变换与PCNN模型相结合,形成了组合预测模型。将改进后的组合模型用于年降雨量的预测中,以求检验模型的可行性。预测结果表明,基于小波变换的PCNN组合模型用在年降雨量预测中是可行的,并取得良好效果。为进一步深化PCNN的理论、拓宽PCNN的应用领域、解决水文水资源中的预测问题提供了新的思路和方法。     

基于线性神经网络的滑油金属含量预测

利用神经网络方法对某型航空发动机滑油监控系统中需重点监控的金属元素含量建立了网络，并根据该模型对其含量变化趋势进行了预测分析。某部队通过对不同实测数据的检验证明，可根据该模型的预测结果预报金属含量是否超标。     

基于广义回归神经网络的飞参数据预处理

由于存在干扰,飞参系统记录的发动机参数中,经常会有不少间断点和奇异值.为了利用数据对发动机性能趋势进行预测,必须对数据进行预处理.分析了航空发动机作为一个系统,其各主要输入和输出参数之间存在的函数关系.研究了利用广义回归神经网络和参数之间的关系对数据进行预处理,结果得到了较为正常的数据,证明该方法是有效的.     

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.     

基于RBF网络的航空发动机辨识模型

利用实测到的发动机飞行试验数据作为学习样本, 采用径向基函数 (RBF)神经网络建立了发动机的辨识模型。利用这种方法对不同飞行高度发动机的参数进行了辨识, 并与几种 BP网络进行了比较。研究结果表明: 这种方法具有训练时间短、学习速度快、辨识精度高等优点。      

径向基神经网络在非线性非定常气动力建模中的应用研究

基于南航NH-2风洞中某飞机模型大迎角大振幅单自由度偏航、滚转及偏航-滚转耦合的谐波、阶跃运动实验数据,应用径向基神经网络,研究人工神经网络描述非线性非定常气动力特性的能力.研究结果表明,所建立的径向基神经网络模型的预测结果与训练数据和验证数据都符合得很好,说明神经网络建模方法可以有效地对高度非线性的气动力进行建模.研究还表明,用神经网络建立模型时所需要的风洞实验数据可以减少,从而提高风洞实验效率、减少风洞实验的时间和成本.     

基于神经网络的飞行器再入制导研究

论述了神经网络理论在飞行器再入制导方面的应用.在分析各方法优缺点的基础上,提出了一种基于广义同归神经网络(GRNN)模型的再入制导方法.神经网络通过一组选定的轨迹样本进行有导师训练,训练好之后作为控制指令生成器,输入为再入过程中飞行器的状态参数,输出为倾侧角控制量,迎角控制量则由迎角剖面给定.仿真结果验证了该方法在再入...     

基于RBF神经网络的飞行事故率预测建模

飞行事故率是反映航空安全水平的重要指标。针对飞行事故率预测建模难的问题,采用RBF神经网络方法,建立了飞行事故率的预测模型。仿真试验结果表明,RBF神经网络具有很高的建模精度和较强的泛化能力,从而验证了该方法的有效性和先进性。