基于"序列相对贴近度"的组合预测权值分配

在时间序列的组合预测权值分配问题上,为克服传统的均方误差倒数加权、熵权和最优化方法之不足,从预测值序列与评价样本序列间的贴近性出发,提出新方法综合衡量单一参与模型的适用性,并据此分配权值.详细给出了序列相对贴近度(SRND,Sequence Relative Nearness Degree)及与之相关的"序列趋势关联度"和"尺度区间熵"的概念,并提出基于SRND的权值分配方法.将SRND权值分配方法应用于航空发动机排气温度裕度参数时间序列的联合自回归滑动平均模型、函数系数自回归模型和径向基函数网络预测,有效地提高了预测准确度,获得优于均方误差倒数加权和熵权方法的组合性能,且运算量远小于最优化方法.     

Gram-Schmidt回归及在刀具磨损预报中的应用

多元线性回归是一种应用广泛的统计分析方法.在实际应用中,当自变量集合存在严重多重相关性时,普通最小二乘方法就会失效.为解决这一问题,利用Gram-Schmidt 正交变换,提出一种新的多元线性回归建模方法——Gram-Schmidt回归.该方法可实现多元线性回归中的变量筛选,同时也解决了自变量多重相关条件下的有效建模问题.将该方法应用于机械加工过程中刀具磨损的预报分析,有效地进行了变量筛选,并得到了解释性强同时拟合优度也很高的模型结果.      

Trajectory prediction of ballistic missiles using Gaussian process error model

Ballistic Missile Trajectory Prediction(BMTP) is critical to air defense systems. Most Trajectory Prediction(TP) methods focus on the coast and reentry phases, in which the Ballistic Missile(BM) trajectories are modeled as ellipses or the state components are propagated by the dynamic integral equations on time scales. In contrast, the boost-phase TP is more challenging because there are many unknown forces acting on the BM in this phase. To tackle this difficult problem, a novel BMTP method by ...     

多元线性回归的预测建模方法

根据历史的样本数据,建立多元线性回归的预测模型;从而在不需要未来样本数据的情况下,预测未来时刻多元线性回归模型中的回归参数,以及主要的模型精度评估指标.对多元线性回归模型参数的预测,转化为对其变量集合的增广矩阵的叉积阵的预测.对叉积阵进行谱分解,利用高维群点主轴旋转的预测建模方法,通过Givens变换得到特征向量矩阵的转角值,对自由取值的转角以及特征值建立预测模型.仿真实验例示了该方法的主要计算步骤;计算结果显示,利用本模型得到的拟合值精度较高,预测值真实可信.最终计算结果和实验结果吻合较好,表明这种方法可以用于分析和预测众多领域中因变量对自变量的回归关系问题.      

用SGP4模型和卡尔曼滤波实现空间碎片轨道预报

文章将扩展卡尔曼滤波算法成功应用于求空间碎片的双行元初值及其轨道预报问题。首先推导出扩展的卡尔曼滤波求双行元的计算公式;然后针对地面观测站对空间碎片的监测进行了应用研究,编制了相应的计算程序并进行了数学仿真。结果表明该算法可以较准确地得到监测目标的双行元初值,从而可实现中长期轨道预报。     

基于神经网络预测模型的歼击机结构故障检测方法

提出了一种基于预测神经网络的歼击机结构故障检测新方法 ,与传统的基于模型的非线性系统的故障检测方法相比 ,神经网络方法有着非线性逼近能力强和故障检测实时性好等优点。给出了基于预测神经网络的故障检测方案 ,以及多步直接预测算法和阈值选取原则 ,最后以某型歼击机为例进行了仿真验证 ,仿真结果表明本方法能有效地检测出歼击机的各种结构故障。     

基于优化最小二乘支持向量机的襟翼趋势预测

将最小二乘支持向量机(LS-SVM)应用于飞机襟翼状态趋势研究。首先,通过分析飞机襟翼故障与襟翼动作耗时参数的关系,提出了利用动作耗时趋势来确定该系统未来状态的方法。然后,使用最小二乘支持向量机建立耗时回归预测模型,采用最终预报误差(FPE)准则确定回归模型嵌入维数,提出了自适应网格搜索法,优化最小二乘支持向量机的建模参数,从而实现比现有方法精度高,泛化性能好的预测模型。训练和测试样本取自飞行数据记录系统(QAR)中译码襟翼参数值。与神经网络模型的比较实践表明,该方法具有实用价值。     

基于湿热环境下的碳纤维复合材料力学性能研究及老化寿命预测

对T700/TDE-86碳纤维复合材料开展人工加速湿热老化试验,通过对比分析复合材料老化前后剖面形貌和物理化学特性,探讨了复合材料的吸湿扩散行为,研究了复合材料力学性能演变规律;并构建剩余强度计算模型,结合环境系数预测了湿热环境下复合材料的老化寿命。结果表明：复合材料吸湿率随老化时间延长而逐渐增大直至趋于平缓,符合Fick扩散定律;相对于未进行湿热老化的复合材料,经60℃、95%RH湿热环境老化后的复合材料各力学性能均有所下降,其中剪切强度最为严重,老化64 d后其强度下降率高达25%;基于剩余强度与环境系数预估的T700/TDE-86碳纤维复合材料寿命期限约为30年,为树脂基复合材料未来服役可靠性奠定了基础。     

基于模拟退火算法预测储层参数

讨论了如何将地震资料、测井信息和先验地质知识有机地结合起来预测储层参数，以便揭示储层内部细节和纵横向变化特征。通过将模拟退火算法与人工神经网络相结合，能够解决非线性全局优化问题，勾画出地震信息和储层参数之间的复杂关系，为储层特征描述和储层横向预测提供提供直观、可靠的地层参数剖面一孔隙度、砂泥质百分含量、含水饱和度及渗透率等剖面。     

基于时间序列数据挖掘的旋转机械故障预报

提出一种基于时间序列数据挖掘的故障预报新方法。把故障前兆因子作为一种暂态,根据旋转机械轴承振动的实验数据建立时间序列．利用时延嵌入的方法重构状态空间,在状态空间中使用遗传算法搜寻最优暂态束．组成暂态集。用暂态集对旋转机械轴承振动的测试数据进行分析．判断是否为故障前兆因子．从而实现故障预报。