基于支持向量机的飞机总体设计智能论证

合集下载

支持向量机在航空发动机故障诊断中的应用_尉询楷

支持向量机在航空发动机故障诊断中的应用_尉询楷
本文在采用模糊方法对故障信息进行特征提 取的基础之上 ,采用支持向量机实现故障的分类 达到智能诊断的目的。为了验证其有效性将其应 用于某型发动机的自动停车故障诊断中 ,在训练 样本中加入 Gaussian噪声以测试其鲁 棒性和抗 干扰能力 ;为验证其推广特性 ,对三组现场获得的 故障模式进行了分析和验证。最后 ,给出了结论。
Abstract: An aeroengi ne fault diagnosis method based on support v ector machi nes is present ed. Af ter ex t racti ng f ault sy mpt oms via proper equi pment s or methods, support vect or machines w ere adopted to set up correlation betw een fault sy mpt oms and fault patt erns and to realize the classifica tion of faults. Suppo rt vecto r machines are specially desig ned fo r g ood generali zation abilit y under the condi tion that o nly small samples set is av ailable. Applyi ng this m ethod to a cert ain engi ne, the diag nostic result s are satisfactory, and it i s ref erable to dev elop diag nostic system f or new ly -developed engi nes.

基于支持向量机的飞机总体设计智能论证

基于支持向量机的飞机总体设计智能论证

总 体 设 计 评 估 准 则 。为 解 决 飞 机 总 体 设 计 的多 指 标 综 合 评 估 和 方 案 优 化 问 题 , 用 支 持 向 量 机 法 对 方 案 进 行 了 回归 预 测 。建 采 立 飞 机 总 体 评 估 准 则 属 性 指 标 体 系 , 通 过 试 验 验 证 了 支 持 向量 机 法 在 飞 机 总 体 设 计 评 估 论 证 方 面 具 有 很 好 的 可 实 施 性 , 并 研 究结果可为飞机总体设计智能论证提供一 种新的思路 。 关 键 词 : 体 设 计 , 持 向量 机 , 能 论 证 , 标 体 系 总 支 智 指
文章 编 号 : 0 2 0 4 ( 0 8 1 — 0 5 0 1 0 —6 0 20 )00 4 —4
基 于支 持 向量机 的飞 机 总体 设 计 智能 论 证
李媛媛 , 张 安, 史志 富
西安 707) 10 2
( 西北 工 业 大 学 电 子 信 息 学 院 , 西 陕

要: 飞机 总 体 设 计 方 案 评 估 论 证 是 飞 机 研 制 发 展 过 程 中 的 重 要 环 节 。针 对 现代 作 战 飞 机 新 的 发 展 情 况 , 出 了 飞 机 提
中 图 分 类 号 : 2 V2 1 文献标识码 : A
Co pr he i e I e lg nt Ev l a i n R e e r h o m e ns v nt li e a u to s a c f
Aic a tC n e ta / r l n r sg a e n S r r f o c p u lP ei a yDein b s do VM mi
a ih t — VM s a o t d t o t e p e it r g e so . Th n e r t d e a u to rt ro fa r r f i rt me i S c i d p e o d h r d c e r s i n e i t g a e v l a i n c ie i n o ic a t s e t b ih d wih t e f l wi g e a l r v st a VM a r mii g a p ia i n i h o p e e sv sa l e t h ol s o n x mp e p o e h tS h sa p o sn p l t t ec m r h n i e c o n

基于PSO与LS—SVM的飞机总体设计的综合论证

基于PSO与LS—SVM的飞机总体设计的综合论证
S h HIZ i—f . U i—v n u LI Ha a2
( .X ’nIst eo p ldO t s X a h ni 0 5 C ia 1 ia tu f pi pi , inS ax 1 6 , hn ; n it A e c 70 2 h eodAtlr E g er gC l g , i hn i 10 5 C ia .T eScn rl y ni ei ol e Xa Sax 70 2 , h ) ie n n e n n
P O adL S n S—S VM a e n p e e td h s b e rs ne .T e p a tr n L h a me es i S—S r VM r p i z d b S aeo t mi y P O,S h e trg e so e O t e b s e r s in mo e fL d lo S—S VM a e d tr ie .Af r a d h o c n b ee n d m t w r s t e n n—l e r y ma pn d lb t e n t e mo t a tr f e i a i p i g mo e ew e h sl fco s o n t y ar l n n el e te au t n a d L i a e it l g n v ai n S—S p i l o VM s e tb ih d a d t e c s f r c si g i p r r e .T e s lt n e — i s l e n h o t o e a t e fm d a s n s o h i ai x mu o a l h w h tt e mo e s a p ia l n eib e mpe s o s t a d li p l b e a d r l l . h c a KEYW ORDS:n el e te a u t n;Ai l n e in;L a t q a e u p  ̄ v co c i e a t l wan p i — It l g n v l ai i o p r a ed s g e s s u ss p o e trma hn ;P ri e s r l t r c o mi

粗集支持向量机的战斗机空战效能智能评估

粗集支持向量机的战斗机空战效能智能评估

效能影 响起关键作 用的特征参数 , 消除冗 余信息 , 减少 了支持 向量 的维数 。支持 向量机 ( V 具 有结构简单 、 S M) 全局最优、 泛化
能力 强 的 优点 。根 据 所 提 取 的特 征 参 数 , 中提 出采 用 回归 型 支 持 向 量 机 ( V 建 立 空 战 效 能 智 能 评 估 模 型 , 通 过 实 例 与 文 S R) 并 指数 法和 B P神 经 网络 法 计 算 结 果 进 行 了 比较 , 证 了该 模 型 的可 行 性 和有 效 性 。 验 关 键 词 : 能 评 估 , 标 集 , 糙 集 , 简 , 归 型支 持 向 量 机 智 指 粗 约 回 中 图 分 类 号 : 7 .  ̄ 2 V2 1 4E9 6 文献 标 识 码 : A
c a a t rs i a a t r , i t l g n v l a i n m o e f r a ra wa f r fii n y o i h e — l n s h r c e it p r me e s n e l e t e a u t c i o d l o e il r a e e fce c f fg t r p a e i
Ab t a t Ac o d n o t e c a a t rs i o o e n a ra r a e h n e e f a ra ra e s r c : c r i g t h h r c e itc f m d r e i 1 wa f r ,t e i d x s t o e il wa f r e f i n y e a u to s s l c e h s p p r fi e c v l a i n i e e t d i t i a e .Re u to sp ro me n i d x s s e a e n r u h s t c n d c i n i e f r d o e y t ms b s d o o g e n t e r o e t a t c a a t rs i a a t r h o y t x r c h r c e i t p r me e s wh c fe t a ra r a e e f i n y c u ily,wh c s t c ih a f c e il wa f r fi e c r c a l c ih i o

基于支持向量机的飞行品质评价

基于支持向量机的飞行品质评价

航空航天◎
ω * = ∑ a*j y j x j
j =1 l
l
(6)
(ω *
(7) j =1 式 中, 下 标 j ∈{ j a 0} 。 因 此 得 到 最 优 分 类 超 平 面 ⋅ x) + b = 0 ,而最优分类函数为:
* j
b* = y j − ∑ y j a* j (x j ⋅ x j )
◎航空航天
中国科技信息 2017 年第 22 期·CHINA SCIENCE AND TECHNOLOGY INFORMATION Nov.2017 DOI:10.3969/j.issn.1001- 8972.2017.22.011
可实现度
可替代度
行业曲线
link
industry
影响力 真实度
孙敬周 梁海涛 徐开俊
行业关联度
基于目前对飞行品质的评价没有一套完整、准确的自动评价系统,本文提出了基于支持向量机的 飞行品质评价方法,用支持向量机模型来构建一套自动评价系统。模型把飞行员的生理信号数据和飞 行数据结合起来,以心率、呼吸频率、下降率、偏航角、速度变化率、着陆速度、襟翼度数作为模型 的输入,飞行品质作为输出,对飞行员飞行品质做出了评价。本文通过该模型和传统神经网络模型作 比较,结果表明:对于飞行员飞行品质评价问题,支持向量机方法较传统神经网络方法精度更高,实 际应用中也更易于实现 ; 并且它也很好的弥补了专家打分主观性强的不足。 可用作评价飞行品质的模型。
min Φ (ω ) =
(1) ,因此构造最优超平面的问
1 2 1 ' ω = (ω ⋅ ω ) 2 2
(2)
为了解决该个约束最优化问题,引入 Lagrange 函数:

一种基于支持向量机的飞机机翼结构全局灵敏度分析方法[发明专利]

一种基于支持向量机的飞机机翼结构全局灵敏度分析方法[发明专利]

专利名称:一种基于支持向量机的飞机机翼结构全局灵敏度分析方法
专利类型:发明专利
发明人:张航,赵翔,袁骄阳
申请号:CN201710298904.0
申请日:20170425
公开号:CN108733864A
公开日:
20181102
专利内容由知识产权出版社提供
摘要:本发明提出一种基于支持向量机的飞机机翼结构全局灵敏度分析方法,具体环节为:1.采用基于质心“voronoi”结构(centroidal voronoi tessellation,简称CVT)实验设计方法得到采样点,得到飞机机翼有限元模型在各对应点的输出值。

2.对输入变量与输出响应进行归一化。

3.根据机翼结构的随机输入变量的分布及其数字特征,抽样两组输入样本记为矩阵A、B;4、构造矩阵C,该矩阵为B矩阵的第i列被A矩阵的第i列所代替后的矩阵;5.利用支持向量机构建得到的飞机机翼代理模型,计算A、B、C矩阵对应机翼结构输出响应,反归一化后分别记为y,y,;6.根据简化MC方法,计算各个输入变量的重要性测度指标s和;7.对输入变量的重要性程度进行排序,从而对机翼结构的可靠性分析、预测和优化提供指导。

申请人:南京航空航天大学
地址:210018 江苏省南京市秦淮区御道街29号
国籍:CN
更多信息请下载全文后查看。

支持向量机模型在航空安全中的使用注意事项(十)

支持向量机模型在航空安全中的使用注意事项(十)

支持向量机(Support Vector Machine,SVM)是一种常用的机器学习模型,它在分类和回归问题中都有着广泛的应用。

在航空安全领域,支持向量机模型也被广泛应用于飞行员训练、飞行器性能预测、故障诊断等方面。

然而,使用支持向量机模型在航空安全中也需要注意一些问题。

本文将从数据质量、模型参数选择、模型解释性等方面,分析支持向量机模型在航空安全中的使用注意事项。

首先,航空安全领域的数据质量对支持向量机模型的性能有着非常重要的影响。

在飞行器性能预测和故障诊断等任务中,所使用的数据通常是来自传感器采集的,而这些数据可能会受到环境干扰、传感器故障等因素影响,因此需要对数据进行严格的质量控制。

在使用支持向量机模型时,需要对数据进行预处理,包括缺失值处理、异常值处理、特征选择等。

此外,对于飞行器故障诊断任务,数据的标注质量也是至关重要的,需要确保标注的准确性和完整性,以避免模型训练和预测的偏差。

其次,选择合适的模型参数也是支持向量机模型在航空安全中需要注意的问题。

支持向量机模型中的参数包括核函数类型、核函数参数、惩罚因子等。

这些参数的选择会直接影响模型的性能,因此需要通过交叉验证等方法来选择合适的参数。

在航空安全领域,通常需要考虑到模型的泛化能力和鲁棒性,因此需要避免过度拟合和欠拟合的情况。

此外,支持向量机模型的训练时间和预测时间也需要考虑,特别是对于实时性要求较高的飞行器性能预测和故障诊断任务。

最后,支持向量机模型在航空安全中的解释性也是一个需要注意的问题。

在飞行器性能预测和故障诊断任务中,模型的解释性对于工程师和决策者来说至关重要。

支持向量机模型通常被认为是一种黑盒模型,其预测结果的解释性较差。

因此,在实际应用中,需要考虑如何提高支持向量机模型的解释性,可以通过特征重要性分析、可视化等方法来解释模型的预测结果,以便更好地指导飞行器的维护和修理工作。

综上所述,支持向量机模型在航空安全中的使用需要注意数据质量、模型参数选择和模型解释性等问题。

支持向量机在航天器故障诊断与预测中的应用指南

支持向量机在航天器故障诊断与预测中的应用指南

支持向量机在航天器故障诊断与预测中的应用指南随着科技的不断发展,航天器的故障诊断与预测成为了航天工程中的重要环节。

而在这个过程中,支持向量机(Support Vector Machine,SVM)作为一种强大的机器学习方法,为航天器故障诊断与预测提供了有效的解决方案。

本文将从SVM的基本原理、数据准备、特征选择以及模型优化等方面,为读者提供一份关于SVM在航天器故障诊断与预测中的应用指南。

一、SVM的基本原理支持向量机是一种基于统计学习理论的监督学习算法,其基本原理是通过找到一个最优的超平面来实现分类或回归任务。

在航天器故障诊断与预测中,我们可以将航天器的故障与正常状态看作不同的类别,通过构建一个支持向量机模型,来对故障进行分类或预测。

二、数据准备在使用支持向量机进行航天器故障诊断与预测之前,我们需要准备好相应的数据集。

数据集应包含航天器在正常状态下和故障状态下的各种参数和特征,如温度、压力、电流等。

同时,数据集应具有足够的样本量和样本多样性,以便支持向量机能够学习到故障和正常状态之间的关系。

三、特征选择在数据准备之后,我们需要对数据进行特征选择,以便提取出对于故障诊断与预测最为关键的特征。

常用的特征选择方法包括相关性分析、主成分分析等。

通过特征选择,我们可以降低数据的维度,减少模型训练的复杂度,并提高模型的准确性和泛化能力。

四、模型训练与优化在进行模型训练之前,我们需要将数据集划分为训练集和测试集。

训练集用于训练支持向量机模型,而测试集则用于评估模型的性能。

在模型训练过程中,我们需要选择合适的核函数、正则化参数等超参数,并使用交叉验证等方法进行模型的优化。

五、模型评估与应用在完成模型训练之后,我们需要对模型进行评估,并将其应用到实际的航天器故障诊断与预测中。

常用的评估指标包括准确率、召回率、F1值等。

通过对模型的评估,我们可以了解模型在实际应用中的表现,并根据需要进行进一步的调整和优化。

六、挑战与展望尽管支持向量机在航天器故障诊断与预测中具有广泛的应用前景,但仍然面临着一些挑战。

支持向量机模型在航空安全中的使用注意事项(Ⅲ)

支持向量机模型在航空安全中的使用注意事项(Ⅲ)

支持向量机模型在航空安全中的使用注意事项随着航空业的快速发展,航空安全成为人们关注的焦点。

支持向量机(SVM)作为一种强大的机器学习模型,在航空安全领域也有着广泛的应用。

然而,在使用SVM模型时,需要注意一些事项,以确保模型的准确性和可靠性。

本文将探讨支持向量机模型在航空安全中的使用注意事项。

数据质量的重要性首先,使用支持向量机模型时,数据的质量至关重要。

在航空安全领域,数据通常是由各种传感器和设备采集而来,可能存在噪声、缺失值或异常值。

因此,在建立SVM模型之前,需要对数据进行充分的清洗和预处理,以确保模型的准确性和稳定性。

选择合适的核函数SVM模型中的核函数是影响模型性能的关键因素之一。

在航空安全领域,数据通常是高维度的,因此需要选择合适的核函数来处理高维数据。

常用的核函数包括线性核、多项式核和径向基核。

在选择核函数时,需要根据数据的特点和问题的需求进行合理的选择,以获得更好的模型性能。

样本不平衡问题在航空安全领域,由于事件的罕见性,数据集往往存在样本不平衡问题。

这就需要在训练SVM模型时采取相应的方法,如过采样、欠采样或集成学习等,以解决样本不平衡问题,提高模型对罕见事件的识别能力。

参数调优SVM模型中包含一些重要的参数,如惩罚系数C、核函数参数等。

这些参数的选择对模型的性能有着重要影响。

在航空安全领域,需要通过交叉验证等方法对参数进行调优,以获得最优的模型性能。

模型解释和可解释性在航空安全领域,模型的解释和可解释性也是非常重要的。

SVM模型通常被认为是一种黑盒模型,难以解释其中的决策过程。

因此,需要在使用SVM模型时,结合领域知识和其他解释性模型,以解释模型的预测结果和推理过程。

考虑实时性和效率航空安全领域对模型的实时性和效率要求较高。

在使用SVM模型时,需要考虑模型的计算复杂度和预测速度,选择合适的算法和优化方法,以满足实时性和效率的需求。

模型监控和更新最后,航空安全领域的数据和环境可能会发生变化,因此模型的监控和更新也是必不可少的。

支持向量机在航空安全中的应用

支持向量机在航空安全中的应用

支持向量机在航空安全中的应用支持向量机(Support Vector Machine,SVM)是一种常用的机器学习算法,在航空安全领域也有广泛的应用。

本文将探讨支持向量机在航空安全中的应用,并分析其优势和局限性。

航空安全一直是航空业最为关注的重要问题之一。

支持向量机作为一种监督学习算法,可以用于航空安全领域中的分类和异常检测任务。

在航空安全中,支持向量机可以通过对已知的安全样本和非安全样本进行训练,建立一个分类模型,用于判断未知样本的安全性。

支持向量机的主要优势之一是其在高维空间中的有效性。

在航空安全中,通常需要考虑多个特征,如乘客的旅行历史、行李的X光扫描图像等。

支持向量机可以将数据映射到高维空间中,从而更好地区分不同类别的样本。

这使得支持向量机在处理复杂的航空安全数据时具有优势。

此外,支持向量机还具有较强的鲁棒性。

在航空安全中,数据往往存在噪声和异常值。

支持向量机通过选择支持向量,即离决策边界最近的样本点,来构建分类模型。

这种方法可以减少噪声和异常值的影响,提高模型的鲁棒性。

然而,支持向量机也存在一些局限性。

首先,支持向量机的训练过程较为复杂,需要大量的计算资源和时间。

在航空安全中,需要处理大规模的数据集,这增加了训练时间和计算成本。

其次,支持向量机对于非线性问题的处理相对较弱。

在航空安全中,往往需要考虑复杂的非线性关系,这对支持向量机的性能提出了挑战。

为了克服支持向量机的局限性,研究人员提出了许多改进的方法。

例如,核函数可以将数据映射到更高维的空间中,从而更好地处理非线性问题。

此外,集成学习方法如随机森林和深度学习也可以与支持向量机结合,提高模型的性能。

在航空安全中,支持向量机的应用不仅限于分类任务,还可以用于异常检测。

异常检测是航空安全中的重要任务之一,可以帮助发现潜在的威胁和安全隐患。

支持向量机可以通过构建一个正常样本的模型,来判断未知样本是否异常。

这种方法在航空安全中具有很大的潜力,可以提高安全性和减少风险。

基于支持向量机的飞机图像识别算法

基于支持向量机的飞机图像识别算法

基于支持向量机的飞机图像识别算法战国科;夏哲雷【摘要】研究了一种基于支持向量机的飞机图像识别算法.采用基于神经网络的图像边缘检测方法,该方法首先基于邻域灰度极值提取边界候选图像,然后以边界候选象素及其邻域象素的二值模式作为样本集,输入边缘检测神经网络进行训练.提取具有RST不变性的轮廓特征向量,输入支持向量机进行训练和识别.将支持向量机与传统的人工神经网络的算法进行了对比实验,实验表明基于支持向量机的飞机图像识别算法具有更好的性能.【期刊名称】《现代电子技术》【年(卷),期】2007(030)021【总页数】3页(P127-129)【关键词】飞机图像识别;支持向量机;特征向量;神经网络【作者】战国科;夏哲雷【作者单位】中国计量学院,信息工程学院,浙江,杭州,310018;中国计量学院,信息工程学院,浙江,杭州,310018【正文语种】中文【中图分类】TP391.2计算机的模式识别技术是目前研究的热点,本文将探讨运用图像处理技术来进行飞机图像识别。

通过神经网络的图像边缘检测方法得到飞机轮廓,再进行特征提取,运用模式识别技术将目标正确的分类。

传统的分类方法,如人工神经网络在处理小样本问题时一方面容易出现过学习现像,导致算法的推广性差;另一方面学习的性能差,处理非线性问题算法复杂。

而统计学习理论是一种专门的小样本统计理论,基于统计学习理论的支持向量机技术是一种新的模式识别方法,能够较好地解决小样本学习问题[1]。

本文对基于支持向量机的飞机图像识别算法做了研究。

1 飞机图像识别算法1.1 基于邻域灰度变化极值和神经网络的图像边缘检测方法要提取物体的轮廓特征首先必须在图像上得到轮廓的位置,即得到边界象素在图像上的位置。

传统的边缘检测算法,如sobel算子、robert算子等有一些缺点,一是提取的边缘很粗,无法精确得到边缘象素,而且边缘具有很强的方向性,使用某一方向性的算子造成的结果是与之垂直方向的边缘较为明显,而相同方向的边缘则检测不到。

基于自动编码器和支持向量机的飞机机动智能识别方法

基于自动编码器和支持向量机的飞机机动智能识别方法

基于自动编码器和支持向量机的飞机机动智能识别方法岳龙飞;杨任农;杨文达;左家亮;刘会亮;许凌凯【期刊名称】《兵器装备工程学报》【年(卷),期】2024(45)2【摘要】飞机机动动作识别是空战意图识别和智能决策的基础。

针对传统机动动作识别方法存在的高维数据分析和特征提取能力不足、识别准确率不高的问题,考虑到机动数据的高维性、时序性的特点,提出基于正则化自动编码器-支持向量机(RAE-SVM)的飞机机动动作识别方法。

依据机动动作数据变化规律和专家经验知识,构建了基于时间段数据特征的机动动作样本库;将无监督的自动编码器神经网络强大的特征提取能力和有监督的支持向量机优异的分类性能相结合,构建基于RAE-SVM的机动识别模型,采用机动动作样本库训练模型;通过引入正则化提高了RAE 网络的泛化性能和预测准确率;最后与多种现有方法进行准确性与实时性对比,并选取空战机动动作数据进行实例验证。

结果表明:所提方法识别准确率为92.75%,对一组机动数据识别仅需2 ms,满足实时性要求。

因此,该方法可以快速准确地进行飞机机动动作识别,具有一定实用价值。

【总页数】8页(P210-217)【作者】岳龙飞;杨任农;杨文达;左家亮;刘会亮;许凌凯【作者单位】海军工程大学电磁能技术全国重点实验室;空军工程大学空管领航学院;西安卫星测控中心;中国人民解放军95882部队【正文语种】中文【中图分类】E844【相关文献】1.基于模糊支持向量机的飞机蒙皮损伤识别方法2.基于自编码器的飞机类型识别方法3.基于卷积自动编码器的飞机目标识别方法4.基于稀疏自动编码器和支持向量机的矿渣立磨主减速机故障预警研究5.基于稀疏自动编码器和支持向量机的图像分类因版权原因,仅展示原文概要,查看原文内容请购买。

基于支持向量机的直升机建模

基于支持向量机的直升机建模

基于支持向量机的直升机建模
王书舟;伞冶
【期刊名称】《计算机集成制造系统》
【年(卷),期】2008(014)003
【摘要】为建立高精度的直升机仿真模型,首次把支持向量机方法引入直升机智能化建模领域.对实际飞行数据进行野值剔除、高频滤波和微分平滑等预处理.在此基础上,利用支持向量机建立了直升机自转着陆过程的旋翼转速模型.与神经网络模型相比,该模型具有结构简单、运算速度快、泛化能力高等特点.理论分析和仿真结果表明,用支持向量机建立直升机的仿真模型是切实可行的.
【总页数】7页(P470-476)
【作者】王书舟;伞冶
【作者单位】哈尔滨工业大学航天学院,黑龙江,哈尔滨,150001;哈尔滨工业大学航天学院,黑龙江,哈尔滨,150001
【正文语种】中文
【中图分类】TP391.9
【相关文献】
1.基于支持向量机的直升机旋翼不平衡故障分类研究 [J], 高亚东;邓升平
2.基于UPDM的直升机平台协同作战建模与验证 [J], 郑磊
3.基于无人直升机的舵机建模与控制律设计 [J], 孙宾;应浩
4.基于TEAMS的直升机传动系统测试性建模分析 [J], 袁志文;赵云;金小强;李新民
5.基于支持向量机的数据建模在软测量建模中的应用 [J], 朱国强;刘士荣;俞金寿;
因版权原因,仅展示原文概要,查看原文内容请购买。

基于最小二乘支持向量机的航材备件需求建模

基于最小二乘支持向量机的航材备件需求建模

基于最小二乘支持向量机的航材备件需求建模
基于最小二乘支持向量机的航材备件需求建模
基于最小二乘支持向量机(LS-SVM)的航材备件需求预测模型,根据航材备件需求的保障任务、航材性能、环境及人事等影响因素建立.假设系统为单输入单输出,定义其输入输出时间序列集.采用LS-SVM算法,确定NARMAX函数.最后利用系统在正常输入输出时的数据对LS-SVM进行离线训练,得到系统需求模型.
作者:薛彦轶刘晓东 XUE Yan-yi LIU Xiao-dong 作者单位:空军工程大学工程学院,陕西西安710038 刊名:兵工自动化 ISTIC英文刊名:ORDNANCE INDUSTRY AUTOMATION 年,卷(期):2007 26(6) 分类号:V271.4 关键词:航材备件需求模型最小二乘支持向量机需求因素。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
Vol.33,No .10 October ,2008
火力与指挥控制
Fire Control and Command Control
第 33 卷 第 10 期 2008 年 10 月
文章编号: 1002 20640 ( 2008 ) 10 20045 204
基于支持向量机的飞机总体设计智能论证3
李媛媛, 张 安, 史志富
( 西北工业大学电子信息学院, 陕西 西安 710072 )
摘 要: 飞机总体设计方案评估论证是飞机研制发展过程中的重要环节。针对现代作战飞机新的发展情况, 提出了飞机 总体设计评估准则。为解决飞机总体设计的多指标综合评估和方案优化问题, 采用支持向量机法对方案进行了回归预测。建 立飞机总体评估准则属性指标体系, 并通过试验验证了支持向量机法在飞机总体设计评估论证方面具有很好的可实施性, 研 究结果可为飞机总体设计智能论证提供一种新的思路。 关键词: 总体设计, 支持向量机, 智能论证, 指标体系 中图分类号: V 221 文献标识码: A
( 4)
非线性情况是从线性可分情况发展而来的。 其 主要思想是: 通过事先选择的非线性映射将输入向 量x 映射到高维特征空间Z 。 在这个特征空间中构造 最优分类超平面。 根据泛函理论, 一个内积函数 K ( x i , x j ) 满足 Mercer 条件, 则在特征空间的两个向量的内积满足 ( Z i , Z j ) = K ( x i , y j ) 。因此, 在分类面中采用适 当的内积函数, 在高维特征空间就可以实现非线性 变换后的分类回归, 而计算复杂度却并没有增加, 因 此, 二次规划优化形式可转化为:
Comprehensive Intelligent Evaluation Research of Aircraft Conceptual Preliminary Design based on SVM
LI Yuan 2yuan , ZHANG An , SHI Zhi 2fu
(Northwestern
・ 64 ・
( 总第 33-1416 )
火力与指挥控制
2008 年 第 10 期
方案评审指标体系时, 必须吸收作战飞机不断发展 的新思想、新技术, 研究各指标间的相关性, 努力做 到既全面而又不重复, 同时要保证评价指标在方案评审 阶段是可以达到的 。 只有以此为基础制定的评审方案及 开展的顶层设计优化等研究才有可能符合实际, 做到既 科学 、 合理 、 可信, 又可在实践中操作 。 传统的作战飞机总体设计方案仅仅是在飞机性 能、 空气动力、 重量和推力之间作权衡, 后来发展 到对飞机结构、 航空电子系统、 飞行控制系统、 可 靠性、 维修性和隐身性等进行综合。 本文在进行飞机总体智能论证时, 综合前人及 现今的研究经验, 建立属性指标体系如下: ①任务能力: 是整个评估准则属性体系中最重 要的一点, 分为空对空作战能力和空对地作战能力。 ②可支付性: 主要包括研究、 发展、 试验和评 审, 生产、 使用和维护, 以及退役和处置。 随着现 代飞机的技术水平和复杂程度的提高, 可支付性成 为飞机设计方案论证中的一个关键因素。 ③可靠性: 指飞机在规定的条件下和时间内完 成规定功能的能力, 是对飞机是否可靠的度量。 通 过平均故障间隔时间来度量。 ④保障性: 指飞机系统的设计特性和计划的保 障资源能满足平时战备及激战时需要的能力, 通过 飞机的平均维修间隔时间和平均不能工作时间相比 较来计算。 ⑤维修性: 指飞机在规定的条件和时间内, 按 规定的程序和方法进行维修时保持和恢复到规定状 态的能力。 一般采用平均维修时间作为度量标准。 ⑥测试性: 指飞机能及时、 准确地确定其状态 并隔离其内部故障的能力, 用测试系统的故障检测 率、 故障隔离率和虚警率来度量。 ⑦安全性: 指飞机在飞行期间连续地保持保证 飞行任务而无飞行事故的那些系统和设备处于能工 作状态的一种特性。 用采购的飞机数和因发动机引 起的飞机损失数之差和采购的飞机数之比来衡量。 ⑧生存性: 指飞机避免和 ( 或) 经受人为敌对 环境的能力。 ⑨适应性: 指飞机在作战、 训练、 储存、 运输 等过程中, 对自然环境、 诱发环境和特殊环境的适 应能力。 根据具体情况选取飞机上某关键系统或设 备的环境适应能力、 最大试验速度或 和最大使用过 载作为适应性度量。 在以上基础上, 为了适应新时代飞机技术发展, 更好地对飞机设计方案进行全面评估, 本文添加了 三个指标来完善飞机总体设计评估准则:
3
n n
回归支持向量机估计函数为:
n
f
(x ) =

i=1
3 (- Α i+ Α i )( x i, y i) &Ν)
3
i=1 i=1
(( Ξ3 x i ) + b) - y i ≤Ε + Ν i
( 3)
约束条件:
y i3 (( Ξ3 x i ) + b) ≤Ε + Ν i 3 i, Ν i ≥0 Ν

© 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved.
李媛媛, 等: 基于支持向量机的飞机总体设计智能论证
( 总第 33-1417 ) ・ 74 ・
于线性回归, 考虑用线性回归函数: f ( x ) = Ξ3 x + b 训练样本集D ={ ( x i , y i ) i =1,2,
x i ∈R , y i ∈R
n
约束条件:
( 1)
n
…, n },

i=1
3 (Α i- Α i ) =0,0
≤Α i, i ≤C , Α i=1,2,
3
…, n
Polytechnical University , Xi ’an 710072, China )
Abstract : The comprehensive evaluation of aircraft conceptual preliminary design is a significant phase in the development of aircraft 1 With the new evolution of nowadays aircraft , an integrated evaluation criterion is proposed 1 To solve the multi 2index integrated evaluation and project optimization , an arithmetic 2SVM is adopted to do the predict regression 1 The integrated evaluation criterion of aircraft is e2 stablished with the following example proves that SVM has a promising application in the comprehensive evaluation of aircraft conceptual preliminary design , and offers a new method to the evaluation 1 Key words: conceptual preliminary design , support vector machine , intelligent evaluation , index system
2 支持向量机理论概念
支 持向量机算法 SVM 是近 10 年来机器学习、 模式识别以及神经网络界最有影响力的成果之一。 它采用结构风险最小化原则代替传统的经验风险最 小化原则, 在有限样本即小样本情况下, 可以得到 比基于传统统计技术和方法更好的结果。 支持向量 机算法具有 4 个显著特点: ①利用大间隔的思想降 低分类器的VC 维, 实现结构风险最小化原则, 控制 分类器的推广能力; ②利用Mercer 核实现线性算法 的非线性化; ③稀疏性即少量样本 ( 支持向量) 的 系数不为零, 就推广性而言, 较少的支持向量数在 统计意义上对应好的推广能力, 从计算角度看, 支 持向量减少了核形式判别式的计算量; ④算法设计 成凸二次规划问题, 避免了多解性。 支持向量机既 可用于分类判别, 也可用于回归计算。 根据本文研 究内容, 在此仅介绍回归支持向量机。 支持向量机回归有线性回归和非线性回归, 对
( 6)
引入 Ε不敏感损失函数 )) = L (y , f (x , Α ) ≤Ε 0 若 y - f (x , Α ( 2) ) - Ε y - f (x , Α 其他 回归支持向量机可描述为求解下面的凸优化问 题, 即求下式的最小值:
1 ) = ( Ξ3 Ξ) + C ( E ( Ξ, Ν , Ν 2
收稿日期: 2007 206 205 修回日期: 2007 209 205 3 基金项目: 航空基础科学基金 ( 05053021 ) ; 陕西省自然科 学基金资助项目 作者简介: 李媛媛 ( 1983 2 ) , 女, 河南商丘人, 硕士研 究生, 主要研究方向: 先进控制理论与应用, 复 杂系统建模与仿真。
引 言
随着航空技术和相关科技的快速发展, 空中力 量在现代战争中的作用和地位日趋重要。 与此同时, 现代作战飞机研制投入的人力、 物力和财力都急剧 增长, 研制风险也随之加大。 因此飞机总体设计方 案的审查论证也愈发重要。 现代新军事革命使战争 形态和作战样式发生了深刻变化, 使现代飞机加速 向高科技、复杂化、综合化方向发展。寻求科学、适 用的论证理论和方法是飞机总体设计论证面临的新
β 技术风险: 是指因现代飞机设计采取了许多 κ 新技术新方法, 这些新技术新方法能否在规定的经 费、 进度条件下满足方案所要求的战术技术指标要 求的技术把握大小。 飞机是各种先进技术的融合体, 研制装机新产品会存在一定的技术风险, 它将影响 飞机的总体性能和费用及进度, 因此不能不给予重 视。 它的计算将由因新品比例导致的技术风险因子 和因新品研制风险引发的进度——费用风险因子和 它们相应的系数来完成。 λ 总线参数: 是用来衡量飞机综合航电系统性 β 能优劣的指标。 在现代战斗机的构成中, 综合航空 电子系统是其重要的组成部分, 其中, 数据总线作 为全系统的联网工具, 和飞机总体能力有着密切的 联系。 所以把总线参数也作为飞机总体论证的一个 属性指标。 它包括总线负载、 总线使用效率、 最大 延迟时间指标和它们对应的权系数。 µ 结构参数: 飞机布局设计是飞机设计中最重 β 要的环节之一, 布局的优化程度直接影响所设计飞 机的生存和发展。 随着计算机及相关技术的发展, 飞 机的综合设计也在日益强大。 本文中采用飞机的机 动性、 几何完善性、 结构完善性和续航性来度量飞 机的结构参数。 因此, 本文建立的飞机总体设计论 证准则第一层将包括以下 12 个属性指标: 任务能 力、可支付性、可靠性、保障性、维修性、测试性、 安全性、生存性、适应性、技术风险、总线参数、结 构参数。 采用支持向量机法对第一层指标进行回归 分析估计, 第二层指标则采用参数计算法计算得出。
相关文档
最新文档