基于SVM方法的乌鲁木齐国际机场多要素预测
一种基于KFCM的SVM遥感图像机场目标分类算法
一种基于KFCM的SVM遥感图像机场目标分类算法刘峰;张立民;张瑞峰【期刊名称】《海军航空工程学院学报》【年(卷),期】2013(000)002【摘要】在遥感图像机场目标分类方面，支持向量机（SVM）有着广泛的应用，但由于样本不平衡问题以及不确定性数据的存在，传统SVM算法的分类精度与效果还无法令人满意。
为提高传统SVM分类器的性能，文章将建立在模糊理论基础上的模糊核C-均值聚类算法（KFCM）用于处理遥感数据的不确定性问题，并通过聚类分析后的目标子图，剔除非目标样本的同时保留了目标样本，较好地解决了样本不平衡问题。
将基于KFCM的SVM分类算法用于遥感图像机场目标的分类，实验结果和性能分析表明该算法分类性能优于传统SVM算法。
【总页数】6页(P161-166)【作者】刘峰;张立民;张瑞峰【作者单位】192785部队，河北秦皇岛066200; 海军航空工程学院电子信息工程系，山东烟台264001;海军航空工程学院科研部，山东烟台264001;192785部队，河北秦皇岛066200【正文语种】中文【中图分类】TP301.6【相关文献】1.基于条件随机场模型的多分辨率遥感图像复合分类算法 [J], 王琼华;马洪兵;孙卫东2.一种采用高斯隐马尔可夫随机场模型的遥感图像分类算法 [J], 黄宁;朱敏慧;张守融3.基于组织协同进化分类算法的遥感图像目标识别 [J], 刘静;钟伟才;刘芳;焦李成4.基于半监督KFCM及邻域信息的遥感图像分类算法 [J], 宋文;刘升;肖建于5.基于NSCT、KFCM和多模型LS-SVM的红外小目标检测 [J], 吴一全;尹丹艳;吴诗婳因版权原因，仅展示原文概要，查看原文内容请购买。
基于SVM和深度学习的飞机故障诊断技术研究
基于SVM和深度学习的飞机故障诊断技术研究近年来，飞行安全一直是航空业界的重点关注对象。
飞机故障诊断技术被广泛应用于飞机维修中，它可以精准地检测并定位飞机的故障，并进行快速有效的维修。
本文将探讨基于支持向量机（SVM）和深度学习技术的飞机故障诊断技术，分析其优缺点，并探讨其在实际应用中的局限性和未来发展方向。
SVM是一种经典的机器学习算法，它可以对数据进行分类和回归预测。
在飞机故障诊断中，SVM可以通过学习已知数据集，建立一个分类器，对未知数据进行分类，预测故障的类型和位置。
一个普遍的方法是将一些特征值，如振动、温度等，提取出来，作为输入数据，SVM模型将根据这些特征值，判断出故障的类型和位置。
与SVM相比，深度学习技术（如神经网络）在飞机故障诊断方面将具有更好的适应性和预测能力。
深度学习技术可以深入挖掘输入数据中的复杂特征，从而更准确地判断飞机故障。
此外，深度学习技术的模型具有很好的泛化能力，在输入数据在一定程度上发生变化时，依然能够具有良好的预测性能。
在实际应用中，SVM和深度学习技术都有着各自的优缺点。
SVM的优点是计算速度较快，可解释性强，适用于小型数据集。
但SVM在应对非线性问题时表现不佳。
深度学习技术的优点是可以处理非线性问题，具有较强的存储能力和拟合能力，适用于大型数据集。
但深度学习技术存在训练时间长、超参数难以调节等问题。
综合比较来看，应根据实际情况选择适合的方法。
虽然SVM和深度学习技术都能够应用于飞机故障诊断中，但其应用也具有一定的局限性。
飞机故障诊断数据的获取难度较大，数据量也比较有限，这就限制了机器学习技术的潜力。
同时，在实际应用中，机器学习所建立的模型可能会出现过拟合、欠拟合等情况，需要加以解决。
此外，对于某些比较复杂的故障，机器学习技术仍然有较大的局限性。
未来，随着数据采集技术和机器学习技术的不断发展，飞机故障诊断技术将更加智能化。
可基于飞机内部各种传感器采集的数据，通过建立智能化的诊断模型，实现对飞机的实时监测、预警和诊断。
如何使用支持向量机进行航空数据分析与预测
如何使用支持向量机进行航空数据分析与预测在现代航空领域，数据分析与预测是至关重要的。
航空公司需要准确预测航班延误、客流量和燃油消耗等关键指标，以便优化航班计划、提高效率和降低成本。
支持向量机（Support Vector Machine，SVM）是一种强大的机器学习算法，可以用于处理航空数据，进行分析和预测。
一、数据预处理在使用SVM进行航空数据分析之前，首先需要进行数据预处理。
航空数据通常包含大量的缺失值、异常值和噪声。
因此，我们需要对数据进行清洗和处理，以确保数据的质量和准确性。
首先，我们可以使用插值方法填充缺失值。
航空数据中的缺失值可能是由于传感器故障或数据采集错误导致的。
通过使用插值方法，我们可以根据已有的数据来估计缺失值，从而保持数据的完整性。
其次，我们需要检测和处理异常值。
异常值可能是由于测量误差或其他异常情况引起的。
通过使用统计方法或离群点检测算法，我们可以识别出异常值，并采取相应的措施进行处理，如删除或替换。
最后，我们需要降噪处理。
航空数据中可能存在噪声，这些噪声可能会对数据分析和预测结果产生不良影响。
通过使用滤波方法或噪声消除算法，我们可以降低噪声的影响，提高数据的质量。
二、特征选择与提取在进行航空数据分析时，选择合适的特征对于模型的准确性和性能至关重要。
特征选择的目标是从原始数据中选择出最具有代表性和相关性的特征，以提高模型的预测能力。
在特征选择过程中，我们可以使用相关系数、方差分析或信息增益等统计方法来评估特征与目标变量之间的相关性。
通过选择相关性较高的特征，我们可以提高模型的准确性。
另外，特征提取也是一个重要的步骤。
特征提取的目标是从原始数据中提取出更具有代表性和区分性的特征。
在航空数据中，我们可以从时间、地点、航班类型、天气等方面提取特征，以便更好地描述和分析数据。
三、模型训练与优化在进行航空数据分析与预测时，我们可以使用SVM算法进行模型训练和优化。
SVM算法通过构建一个最优的超平面来实现数据分类和回归分析。
模型预测新疆乌鲁木齐地窝堡国际机场客流量的方法和效果分析
模型预测新疆乌鲁木齐地窝堡国际机场客流量的方法和效果分析作者：秦华亮来源：《硅谷》2013年第16期摘要机场客流量的预测对于基础未来规划和发展具有重要意义。
文章利用灰色系统理论模型和指数平滑模型对新疆乌鲁木齐地窝堡国际机场的客流量进行了预测，并对预测效果进行了总结。
关键词机场客流量；灰色系统理论；指数平滑中图分类号：F560 文献标识码：A 文章编号：1671-7597（2013）16-0104-02自20世纪90年代我国航空运输业在我国经济高速发展的趋势下也在不断的蓬勃发展。
我国民航平均客座率2002一年为64%，低于68%的盈亏平衡点。
然而国内的航班客座率同一时期却都在70%以上。
假如我国民航的客座率也能够达到70%以上，那么可以提高数倍的民航利润率。
目前国内外对流量预测现状研究主要存在于两个重要方面：一个是对影响因素的研究，比如对机场吞吐量、运输距离、人口密度、邮政电信业务的总量以及我国航空客流量受城市性质和城市交通的影响情况；另一个是对预测方法的研究，例如公认的比较常用的稳健增量法，通过使用时间序列进行预测，短期客流量通过神经网络进行预测。
使用支持向量机预测，航班预测采用聚类方法进行预测，为了提高预测的准确性使用组合预测法，另外如模型，灰色系统，GMDH等诸多预测方法。
本文以新疆乌鲁木齐地窝堡机场的客流量为研究对象，通过对灰色理论模型与指数平滑法来对该机场今后几年的客流量进行预测。
希望通过模型的研究，能够帮助机场管理人员对未来客流量的变化有个更加深入的认识。
1 灰色系统理论模型的预测1.1 灰色系统理论数据处理的基本方法1.1.1 累加生成GM（1，1）是在灰色问题建模中使用最多的模型，这种模型是通过累加原始数据得到的。
有灰色变成白色作为灰色过程的一种方法，累加生成是灰色建模的基础在灰色理论中起到非常重要的作用。
通过累加过程可以观察出灰色累加在整个过程中的变化趋势。
是使得任意非负的、波动的数列转化为非减的、递增的数列。
基于SVM理论的航空发动机飞行数据可视化建模
基于SVM理论的航空发动机飞行数据可视化建模【摘要】本文基于SVM理论，利用航空发动机的飞行数据进行可视化建模研究。
在数据采集与处理阶段，我们从飞行中获取数据并进行清洗和标准化处理。
接着，在特征提取与选择中，我们选取关键特征以提高建模效果。
随后，对SVM理论进行介绍，阐述其在飞行数据建模中的应用。
我们通过飞行数据可视化展示模型结果，并分析实验结果，探讨模型的优缺点。
对于未来展望，我们希望进一步优化模型，提高预测准确性和实用性。
该研究具有重要的应用意义，可为航空发动机性能监测与预测提供参考，并推动航空安全领域的发展。
【关键词】航空、发动机、飞行数据、可视化、建模、SVM、数据采集、特征提取、特征选择、实验结果、模型优缺点、未来展望、研究背景、研究意义1. 引言1.1 研究背景飞机发动机是飞机的核心部件之一，其性能直接影响到飞机的安全性和可靠性。
随着航空业的快速发展，发动机的监测与维护变得尤为重要。
航空发动机飞行数据的可视化建模可以帮助工程师快速准确地分析发动机的工作状态，从而及时发现潜在问题，保障飞机的安全运行。
基于SVM理论的航空发动机飞行数据可视化建模具有重要的研究意义和实用价值。
本文将从数据采集与处理、特征提取与选择、SVM 理论介绍以及飞行数据可视化等方面展开探讨，旨在为航空发动机监测与维护提供一种新的解决方案。
1.2 研究意义航空发动机是飞机重要的动力装置，其状态对飞机的安全飞行至关重要。
通过对航空发动机飞行数据进行可视化建模，可以有效监测发动机的运行状态，提前发现潜在问题，预防故障发生，确保飞机的安全性和可靠性。
而基于SVM理论的飞行数据分析方法能够进行高精度的分类和预测，为飞机维护提供重要的参考依据。
本研究旨在利用SVM理论对航空发动机飞行数据进行分析与建模，实现对发动机运行状态的准确监测和预测，为飞机维护提供技术支持，提高飞机的安全性和可靠性，具有重要的现实意义和应用价值。
通过本研究，可以为航空领域的工程技术人员提供参考，推动飞机维护技术的发展，提升航空产业的发展水平，促进航空领域的科学研究和技术创新。
基于LS-SVM的飞机保障性预测评估建模
难题 、 过学习以及局部极值等问题。
支 持 向 量机 （ｕ ｐ ｒ Ｖ ｃｏ ｃ ｉｅ ，ＶＭ） Ｓ ｐ ｏｔ ｅｔｒＭａｈｎ ｓＳ 是 近年 来兴 起 的一种 基予 统计 学 习理论 的新 型机 器 学 习算 法 ， 以结 构 风 险最 小 化 为原 则 来 自动学 习 问 题模 型 的结 构 ， 够较 好地解 决 小样本 、 能 非线性 和高 维数 的问题 ［５ ‘］ ＿。
要地位 。但 目前对飞机保障性的评价工作还处在比 较 低 的 水 平， 障性 的综 合 评 价 方 法 还 比较 缺 保
乏 ［ 。
１ Ｌ —ＶＭ 的 回 归算 法 ＳＳ
Ｓ ｙ ｅ ｓＪ Ａ． 在 １ ９ 年 首 次 提 出一 种 新 型 ｕ ｋ ｎ ． Ｋ ９９
文献 ［３ ３应用 Ｂ Ｐ神经 网络对 飞机保 障性 进行
型 。仿 真试验结果表 明， ＳＳ Ｌ —ＶＭ 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。 关键词 ： 支持向量机 ， ￣ － 最ｄ － 乘支持 向量机 ， － 飞机 ， 保障性
中 圈分 类号 ｔ ２ Ｖ３ ８ 文 献 标识 码 ｔ Ａ
Байду номын сангаас
Ｆｏ ｅ ａ ｔＥｖ ｌ ａ ｉ ｎ Ｍ ｏ ｅ ｉ ｆＳｕ ｒ ｃ ｓ ａ ｕ ｔｏ ｄ ｌｎｇ ｏ ｐｐ０ ｔ ｂ Ｉｔ ｒ ａ ｉｉｙ
基 于 Ｌ —Ｖ 的 飞机 保 障性 预 测评 估 建模 ＳＳ Ｍ
张 篙 ，张诤敏 ，胡 良谋
（ 空军工程 大学 工程学院 ， 西安 ７０３） １０ ８
摘
要； 针对飞机保 障性预测评估建 模难 的问题 ， 于统计 学习理论 ， 用 Ｌ —ＶＭ 方法 ， 基 采 ＳＳ 建立 了飞机保 障性 的预测模
乌鲁木齐能见度短时预报方法研究
乌鲁木齐能见度短时预报方法研究摘要：本文选用乌鲁木齐2011和2012年冬季的逐3h的大气能见度和实况气象要素（大气温度、相对湿度、变压和风速）资料，利用支持向量机（svm）和elman神经网络方法建立3h能见度预报模型。
通过检验发现，支持向量机（svm）预测结果相比elman神经网络预测结果更加准确，支持向量机（svm）预测绝对平均误差为2.77km，相对误差为17.3%，为短时能见度预报提供了一种重要参考，同时表明支持向量机的泛化能力具有显著优势。
关键词：短时能见度预报；支持向量机（svm）；elman神经网络中图分类号：p427.2 文献标识码：a1 前言雾是由空气中水汽凝结或凝华而形成的，是大气能见度下降的主要原因。
中华人民共和国气象行业标准地面气象观测规范第3部分气象能见度的观测上把水平能见度小于10km的叫轻雾，水平能见度小于1km的叫雾。
当雾出现时，地面风速一般较小，近地层气层稳定，不利于污染物的扩散、稀释。
近几年来随着城市的发展，城市和工厂、汽车排放到空中的污染物增多，在风力微弱、相对湿度较大、大气层结稳定或有逆温层存在的晴朗夜晚，大量的烟和极细微的粉尘漂浮在城市上空，形成烟尘雾。
使得大气能见度进一步减小，大气能见度差对陆、海、空交通运输造成不便，这种影响是显而易见的。
雾对人类的危害并非仅仅如此，因而提前向居民提供雾和能见度预报具有重要的实际意义。
目前，乌鲁木齐市还没有大气能见度定量客观预报，对于短时能见度预报开展较少，本文应用svm和elman神经网络方法分别建立乌鲁木齐市3h能见度预报模型，并对预测结果进行检验对比分析，以确定乌鲁木齐冬季能见度预报方法。
2 资料和方法2.1 资料乌鲁木齐是新疆维吾尔自治区首府，拥有人口超过330万，是新疆经济、文化、政治中心，也是新疆最大的城市。
乌鲁木齐位于天山北麓，准噶尔盆地南端，城市面积大约为339km2，年平均降水量约208mm，年平均气温为5.7℃，年平均相对湿度为57%，最高月平均相对湿度出现在1月，为77%，最低月平均相对湿度出现在7月，为41%。
基于SVM理论的航空发动机飞行数据可视化建模
基于SVM理论的航空发动机飞行数据可视化建模引言随着航空业的发展，飞机发动机的性能和可靠性需求越来越高。
为了确保飞机的安全和正常运行，航空公司和发动机制造商需要对发动机的飞行数据进行分析，以及时识别可能出现的问题并做出相应的维护和保养。
利用支持向量机（SVM）理论对航空发动机的飞行数据进行可视化建模，可以为飞机维护和性能检测提供重要的参考和辅助信息。
一、支持向量机（SVM）理论介绍支持向量机（Support Vector Machine，SVM）是一种监督学习的算法，用于进行模式识别、分类和回归分析。
SVM的基本原理是通过找到能够有效划分不同类别数据的超平面，从而实现对数据的分类。
在SVM中，选择最优的超平面是建立在最大化间隔的基础上，这样能够使得分类的错误最小化。
SVM具有很强的泛化能力和鲁棒性，对于高维空间数据处理效果显著，因此在数据挖掘、模式识别等领域被广泛应用。
在航空领域，SVM可以应用于飞行数据的分类、故障诊断和模式识别等方面，对提升飞机性能和安全具有重要意义。
二、航空发动机飞行数据可视化建模1. 数据采集航空发动机的飞行数据包括多个参数，如转速、温度、流量等，这些数据可以通过传感器实时采集得到。
还可以获取到飞机的实际飞行数据，包括飞行高度、速度、气压等信息。
这些数据反映了发动机在不同工况下的性能表现，对于发动机的健康状况和故障诊断具有重要意义。
2. 数据预处理在进行可视化建模之前，需要对采集得到的大量飞行数据进行预处理，包括数据清洗、缺失值处理、异常值处理等。
对数据进行归一化处理，以便使得不同参数的数据在相同的尺度上。
这样可以有效提高模型的训练效果，同时降低建模过程中的复杂度。
3. 模型建立利用SVM算法对预处理后的飞行数据进行建模，以实现对发动机的性能状态分析和故障诊断。
SVM通过最大化间隔的方式寻找超平面，从而实现不同工况下的飞行数据分类和故障识别。
通过不断调整模型参数，可以使得模型对飞行数据的表征更加准确和可靠。
基于SVM的航天数据分类研究
基于SVM的航天数据分类研究随着人类的科技水平不断提高，航天事业的发展也越来越迅速。
在航天事业中，数据的处理和分析是非常重要的一环。
而SVM（Support Vector Machine）作为一种强大的机器学习工具，有着擅长分类、回归和异常检测等方面的优势，日益成为航天数据处理中不可或缺的一部分。
一、 SVM介绍首先，让我们来了解一下SVM。
SVM是一种二分类模型，其基本思想是将数据点映射到高维空间中，通过寻找一个超平面（在二维空间中即为一条直线）将不同类别的点分开，从而实现分类。
SVM支持多种核函数，如线性核、多项式核、径向基函数（RBF）核等。
除此之外，SVM还可以用于回归和异常检测，其中对于回归任务，SVM会找到尽可能多的样本点来构建超平面，让它们和超平面的间距尽可能大；对于异常检测任务，SVM会将整个数据集看做是正常的，通过一定的训练来找出那些异常的数据点。
二、航天数据分类应用场景在航天领域，数据分类应用是非常广泛的。
例如，可以使用传感器收集各种飞行和卫星数据，如温度、湿度、电压等，然后将它们作为输入，利用SVM对数据进行分类。
这样可以实现快速分辨异常数据，对数据进行实时监控和控制。
具体而言，常见的航天数据分类应用场景包括：1. 卫星图像分类：通过对卫星高分辨率遥感图像进行分类，可以实现对地表覆盖物的识别、检测和分类。
2. 空间天气预报：通过对空间天气数据分类，可以实现对空间中各类天气现象的检测和预测，为今后的空间探测和任务计划提供基础数据支持。
3. 航天器状态监测：通过对航天器电器、供电系统等各种数据进行分类，可以实现对航天器状态的实时监测和控制，保证航天器的正常运行。
以上三种应用场景只是航天数据分类的一个简单示例。
实际上，航天数据分类的应用场景非常多样化，并有着广泛的应用前景。
在这些应用场景中，SVM作为一种强大的分类工具，发挥着至关重要的作用。
三、 SVM在航天数据分类中的研究现状在航天领域中，SVM的应用越来越广泛，SVM的分类效果也在不断得到优化和提升。
基于单因素SVM的航空兵空运转场飞行架次需求预测研究
基于单因素SVM的航空兵空运转场飞行架次需求预测研究张军;陈柏松;李良峰;杨哲
【期刊名称】《飞机设计》
【年(卷),期】2010(30)6
【摘要】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。
【总页数】4页(P62-65)
【关键词】空运;序列后向选择法;支持向量机;架次预测
【作者】张军;陈柏松;李良峰;杨哲
【作者单位】空军航空大学航空机械工程系
【正文语种】中文
【中图分类】TP18
【相关文献】
1.航空兵成建制空运转场集约化装载方案研究 [J], 张克举;孙波;刘天宝
2.航空兵飞行团转场运输机需求与配置模型研究 [J], 董骁雄;陈云翔;蔡忠义;郭琴
3.基于PCA-SVM的空运转场飞行架次需求预测研究 [J], 张军;陈柏松;张阔
4.基于SVM的航空兵空运转场载机架次预测研究 [J], 杨哲;陈柏松;罗艳春;孟冲
5.航空兵成建制空运转场集约化装载方案研究 [J], 张克举;孙波;刘天宝
因版权原因，仅展示原文概要，查看原文内容请购买。
基于LS-SVM的飞机保障性预测评估建模
基于LS-SVM的飞机保障性预测评估建模
张篙;张诤敏;胡良谋
【期刊名称】《火力与指挥控制》
【年(卷),期】2011(036)010
【摘要】针对飞机保障性预测评估建模难的问题,基于统计学习理论,采用LS-SVM 方法,建立了飞机保障性的预测模型.仿真试验结果表明,LS-SVM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.
【总页数】4页(P115-118)
【作者】张篙;张诤敏;胡良谋
【作者单位】空军工程大学工程学院,西安710038;空军工程大学工程学院,西安710038;空军工程大学工程学院,西安710038
【正文语种】中文
【中图分类】V328
【相关文献】
1.基于LS-SVM的飞机重着陆超限事件预测 [J], 许桂梅;黄圣国
2.基于LS-SVM的某型装备保障性能评估研究 [J], 樊荣;唐宁;周则贺;高文伟
3.基于LS-SVM的飞机部件故障率预测 [J], 张虎;严东超;雷晓犇
4.基于LS-SVM的飞机重着陆超限事件预测 [J], 许桂梅;黄圣国
5.基于LS-SVM的飞机飞行事故率的预测建模 [J], 胡良谋;徐浩军;孟捷;董新民因版权原因，仅展示原文概要，查看原文内容请购买。
基于LS-SVM的航空器进场飞行时间预测
基于LS-SVM的航空器进场飞行时间预测李阳;聂党民;温祥西【期刊名称】《航空计算技术》【年(卷),期】2018(048)003【摘要】The Estimated Time of Arrival (ETA)is the basic of conflict allocation and prioritizing landing flights.A method of Least Square Support Vector Machine (LS-SVM) is proposed to predict the arrival flight time.Historical radar data are collected and analysed firstly ,with the LS-SVM,to establish a rela－tionship between position ,height and time,speed of flight in the process of aircraft approach ,then the ar－rival flight time of aircraft are predicted.Taking the arrival to Xianyang International Airport as example , the simulation results indicate that ,with the LS-SVM,the RMSE between predicted and actual time of ar－rival is controlled within11s.Simulation results show that what we use can effectively predict the arrival flight time.%航空器预计到达时刻(ETA)的准确预测是航空器进场排序与调配的基础.基于最小二乘支持向量机方法(LS-SVM),对航空器进场飞行时间进行预测.通过对历史雷达数据进行收集,建立支持向量训练集,使用LS-SVM方法,建立航空器进场过程中的位置、高度、进场飞行速度及所需时间之间关系,预测航空器进场飞行时间.以咸阳机场为例建立仿真实验,将航空器进场飞行时间预测的均方根误差控制在11 s.仿真结果表明,可以实现对进场飞行时间的有效预测.【总页数】4页(P74-77)【作者】李阳;聂党民;温祥西【作者单位】空军工程大学空管领航学院,陕西西安710051 ;空军工程大学空管领航学院,陕西西安710051 ;空军工程大学空管领航学院,陕西西安710051【正文语种】中文【中图分类】V355【相关文献】1.基于PSO优化LS-SVM的钨离子交换穿漏时间预测研究 [J], 刘飞飞;朱朋克;伍伊军2.基于OLS-RBF神经网络的进场飞行时间预测 [J], 陈强;张军峰;王菲;郑志祥3.基于进场程序选择的进场航空器航迹规划 [J], 宋祥波;牟磊;杨越4.基于排队论的终端区航班进场时间预测 [J], 赵嶷飞;乔晓莹5.基于XGBoost的航空器动态滑行时间预测方法研究 [J], 赵征;冯事成;宋梅雯;胡莉;陆莎因版权原因，仅展示原文概要，查看原文内容请购买。
支持向量机方法在机场跑道视程预报中的应用
支持向量机方法在机场跑道视程预报中的应用
朱蕾;朱国栋
【期刊名称】《暴雨灾害》
【年(卷),期】2010(029)002
【摘要】利用2004-2006年11月至次年二月的每半小时一次的自动气象站观测资料,分别建立了乌鲁木齐机场跑道视程大于800 m和小于800 m 2个支持向量学习机(SVM)推理模型,并进行了跑道视程的预测试验,结果显示:对训练集的回报、对试验集的预报、对检验集预测的TS评分在48%～75%之间,较高TS评分表明:所建SVM推理模型对跑道视程具有一定的预测能力,可为跑道视程预测业务提供参考.
【总页数】5页(P171-175)
【作者】朱蕾;朱国栋
【作者单位】民航新疆空中交通管理局,乌鲁木齐,830016;民航新疆空中交通管理局,乌鲁木齐,830016
【正文语种】中文
【中图分类】P457.7
【相关文献】
1.支持向量机方法在温度预报中的应用r——以沈阳地区为例 [J], 鲁杨;李典;王雪萌;吴宇童;柴晓玲;班伟龙;张治
2.处理非线性分类和回归问题的一种新方法(Ⅱ)--支持向量机方法在天气预报中的
应用 [J], 冯汉中;陈永义
3.温州机场跑道视程分析与应用 [J], 陈志平;沈学军;潘钦财
4.支持向量机方法在内蒙古客观温度预报中的应用 [J], 杭月荷;孙鑫
5.精确测算夜间机场跑道视程的方法研究 [J], 曾祥能;白洁;郝明磊
因版权原因，仅展示原文概要，查看原文内容请购买。
基于LS-SVM的新疆沙尘暴预测研究
基于LS-SVM的新疆沙尘暴预测研究
常涛;傅玮东;秦榕
【期刊名称】《陕西气象》
【年(卷),期】2007(000)005
【摘要】首先对新疆的沙尘暴日数和前期气候要素统计分析,然后通过相关分析提取南疆和北疆春季沙尘暴影响因子,根据沙尘暴天气的特点和支持向量机方法在解决小样本学习问题中的优势,提出并实现基于最小二乘支持向量机(LS-SVM)的沙尘暴预测模型.实验结果表明:所提出的沙尘暴影响因子和支持向量回归模型处理沙尘暴预测问题有一定的应用价值.
【总页数】4页(P6-9)
【作者】常涛;傅玮东;秦榕
【作者单位】新疆气候中心,乌鲁木齐,830002;新疆气候中心,乌鲁木齐,830002;新疆气象信息中心,乌鲁木齐,830002
【正文语种】中文
【中图分类】P456.9
【相关文献】
1.基于混沌时间序列LS-SVM的车用锂离子电池SOC预测研究 [J], 徐东辉
2.基于BP神经网络、ARIMA和LS-SVM模型的集成预测研究——1978-2017年陕西省苹果产量实证 [J], 李鹏飞; 王青青; 毋建宏; 陈华雪
3.基于GP-LVM和LS-SVM航班延误等级预测研究 [J], 陈超
4.基于改进LS-SVM的短期电力负荷预测方法研究 [J], 刘岩;彭鑫霞;郑思达
5.基于LS-SVM的直冷机组凝汽器积灰状态预测研究 [J], 鲍仕瑞
因版权原因，仅展示原文概要，查看原文内容请购买。
基于SVM的放气活门调节模型多元回归分析
基于SVM的放气活门调节模型多元回归分析
曹惠玲;王新
【期刊名称】《中国民航大学学报》
【年(卷),期】2017(035)005
【摘要】航空发动机2.5级放气活门是重要的防喘机构.本研究针对轴流式压气机喘振机理进行分析,使用支持向量机(SVM,support vector machine)方法,通过对PW4077D发动机30个无故障航班QAR (quick access recorder)数据的处理与多元回归分析,分别建立了3个航段下2.5级放气活门的辨识模型.随机选取一次航班的QAR数据,使用已建立的模型对一次航班的2.5级放气活门开度进行计算并与实际开度值进行对比,验证了通过回归分析得到的辨识模型具有较高的准确度,对于航空发动机状态监控和故障诊断具有一定的应用价值.
【总页数】5页(P12-16)
【作者】曹惠玲;王新
【作者单位】中国民航大学航空工程学院,天津300300;中国民航大学航空工程学院,天津300300
【正文语种】中文
【中图分类】V263.6
【相关文献】
1.基于QAR的PW4077D放气活门稳态调节模型 [J], 曹惠玲;宋强;罗立霄;牛军;薛鹏
2.基于QAR的PW4077D发动机放气活门与N1的关系 [J], 曹惠玲;宋强
3.基于关联规则挖掘的PW4077D发动机放气活门控制规律研究 [J], 刘扬
4.基于SVM和GA-SVM的NIR光谱柑橘产地鉴别模型研究 [J], 但松健
5.基于CFD和时间序列的计量活门阀芯压力预测模型 [J], 钟强;何勇;姚凯学;张庆铭;胡加德
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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、"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、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)。
参考。
作者简介： 栋（９ 一 ， 助理工程师， 朱国 １８ ） ４ 男， 从事航空气象预报工
１ 支持 向量机 （ ＶＭ ） 介 Ｓ 简
作。 —ａ： ｅ＠６ｃ Ｅｍห้องสมุดไป่ตู้ｌｅ １ －ｍ ｌ ｕｔ ３０ ｂ
支 持 向 量 机 （ｕｐｒ Ｖ ｃ ｒＭ ｃｉ ｓ简 称 Ｓｐ ｏ ｅｔ ａｈｎ ｔ ｏ ｅ
Ａｂ ｔａ ｔ ｓｒ ｃ：Ｕｓｎ ｈ ｂ ｅｖ ｔ ｎ １ｄ ｔ ｒｍ ａ ｕ ｒ ０ ０ ｔ ｒｈ ２ ｔＵｒ ｍｑ ｎｅｎ ｔ ｎ ｌ ｉｇ ｔｅ ｏ ｓ ｒａｉ ａ ａａ ｆｏ Ｊ ｎ ａｙ ２ ０ ｏ Ｍａｃ ０ ａ ｕ ｉＩｔｒ ａｉ ａ ｏ １ ０ ｏ
Ｓ Ｍ 方法进行 交叉验证和预报建模。结果表 明建立 的预测模 型有较好 的稳 定性 ， Ｖ 并且 对上 述 预报 对 象均 有较 好 的预 测 效 果 。
关键 词 ： 支持 向量 机 （Ｖ ； 类预 测 ； 归预 测 ； Ｓ Ｍ）分 回 温度 ； 见 度 ； 水 量 能 降 中 图分类 号 ：４２ Ｐ １ 文 献标 识码 ： Ｂ 文章 编号 ：０２ ０ ９ （０ ）４ ０４ — ４ １０ — ７９ ２ １ ０— ０ ０ ０ １
收稿 日期 ：０ ０ ０ — ０ ２ １—６３
的基本 问题 。２ 纪 ９ ０世 ０年代 初期 出现 的支 持 向量 机（ 以下 简称 Ｓ Ｍ） 法 是 基 于 统 计 学 理论 的 一 种 Ｖ 方
新 的机器学习方法 ，该方法在解决气象领域中的非 线性等问题表现出许多优势Ⅲ 应用前景广阔。本文 ， 尝 试 将 Ｓ Ｍ 回归 方 法应 用 于航 空 气象 要 素 的 预 报 Ｖ
沙 漠 与 绿 洲 气 象
。
第５ 卷 第４ 期
２１ ０ １年 ８月
Ｄ。‘ ｔ。。。Ｏ。。。。 。。。ｏ ’— 。ｅ。。。。 。。 。。‘。。。。ｏｇ 。。‘ｒ。 ｄ。。ｓｓＭｅ。。ｒ 。 ｙ 。ｓ 。。ｎ 。 ａ。。。‘。 ｌ。 。 。 ａ’ ’ 。。。 。ｅ 。。 — 。ｅ。。’ ’ 。ｉ。‘ ｔ ｏ ’。 。 。 。 。
Ｍｕ ｔ ｆ ｃｏ ｏ ｅ ａ ｔｉ ｕ ｉＩ ｔｒ ａ ｉｎ ｌ ｒ ｏ ｔＢ ｓ ｄ ｌ － ａ ｔｒＦ ｒ ｃ ｓ ｎ Ｕｒ ｍｑ ｎ ｅ ｎ ｔ ａ ｐ ｒ ａ ｅ ｉ ｏ Ａｉ ｏ ＶＭ ｔ ｏ ｎＳ Ｍｅｈ ｄ
ＺＨＵ ｏ ｄ ｎ Ｇｕ － ｏ ｇ
（ ｉｉＡ ｉ ｉｎＭｅ ｏｏｏｉａ Ｃ ｎｅ， ｉ Ｔａｆ ｎｇ ｍ ｎ ｕｅｕｏ ｉ ｉ ｇ Ｕ ｕ ｑ ３ ０ Ｃ ｉａ Ｃｖｌ ｖａ ｏ ｔ ｒｌ ｃｌ ｅ ｔ Ａ ｒ ｒｆｃＭａ ａｅ ｅ ｔ ｒａ ｆ ｎ ａ ， ｒｍ ｉ ０ ， ｈｎ ） ｔ ｅ ｇ ｒ ｉ Ｂ Ｘ ｊｎ ８ １ ６
基于 Ｓ Ｍ方法的乌鲁木齐 国际机场 Ｖ 多要素预测
朱 国栋
（ 民航新疆空管局气象 中心 ， 新疆 乌鲁木齐 ８ ０ １ ） ３ ０ ６
摘
要 ： 用 ２０ 利 ０ ０年 １月一 ２ ｌ ００年 ３月乌 鲁 木 齐 国际 机 场 的观 测 资 料 ， 建 逐 时 能 见 构
度、 温度 、 气现 象 以及 逐 日最 高温 度 、 低 温 度 、 天 最 降水 量 这 六 类预 报 对 象 的样 本 空 间 ， 用 使
ｍｏ ｅｉｇ Ｔ ｅ ｅｕ ｓ ｈ ｗ ｄ ｈ ｔ ｈ ｐ ｅ ｉｔ ｎ ｄ ｌ ． ｈ ｒｓ ｈ ｓ ｏ ｅ ｔａ ｔｅ ｒｄｃｉ ｍｏ ｅ ｋ ｐ ｇ ｏ ｓａ ｉｔ， ａ ｄ ａ ｂ ｔ ｒ ｎ ｏ ｄ ｌ ｅ ｔ ｏ ｄ ｔｂ ｌｙ ｎ ｈ ｄ ｅｔ ｉ ｅ
ｐｅ ｉ ｉｎｅ ｅｔ ｏ ｂ ｖ ｂｅｔ ｒｄｃ ｏ ｆ ｃ ｆ ａ ｏ ｅｏｊｃｓ ｔ ｆ ｒ ．
机场气象要素的变化直接影响到飞行的安全和 效益 ， 高温天气造成飞机载重量减少 、 恶劣天气造成 的低能见度使机组在进近过程 中无法看清跑道 ， 而 机 场气象 要 素 的演 变 ，实质 上都 是前 期某 些气 象要 素不断演变的结果 ，由于各要素在演变过程中总是 具有不明确的非线性特性 ，因此如何合理地表述这 种 非线 性关 系 ， 是 在探 究统 计 预报 方法 中所关 注 就
Ｋｅ ｏ ｄ ： ｕ ｐｒ ｖｃ ｒ ｃ ｉｅ（ Ｖ ）ｃ ｓｉｃｔ ｎｆｒｃｓ ｒｇｅｓ ｎｆ ｅａｔｔｍ ｅａｕｅ ｙｗ ｒ ｓ ｓｐ ｏ ｅｔ ｈｎ Ｓ Ｍ ；ｌ ｓ ａｉ ｅ ａｔ ｅｒｓｉ ｒｃ ｓ； ｐ ｒｔｒ ； ｔ ｏ ｍａ ａ ｆ ｏ ｏ ｉ ； ｏ ｏ ｅ
ｖ ｓｂ ｌｔ ｐ ｅ ｉ ｔｔｏ ｉｉ ｉｉｙ； ｒ ｃｐｉ ｉ ｎ ａ
Ａ ｒｏｔ ｈｓ ｐ ｐ ｒ ｃｎｔ ｃｅ ａ ｌ ｐ ｃ ｈｃ ｎ ｌｄ ｉ ｆｒｃ ｓｎ ｂｅｔ ｏ ｒ ｉ ｒ ｐ ，ｔｉ ａ ｅ ｏ ｓ ｕ ｔ ａ ｓｍｐｅ ａｅ ｗ ｉ ｉｃ ｅ ｓ ｏｅ ａｔ ｇ ｏｊｃｓ ｕｌ ｒ ｄ ｓ ｈ ｕ ｘ ｉ ：ｈ ｙ
ｖ ｓｂ ｌ ｙ ｔ ｍｐ ｒ ｔ ｒ ， ａ ｄ ｗ ａ ｈ ｒ ｈ ｎ ｍｅ ａ ａ ｄ ｄ ｉ ｍａ ｉ ｍ ｔｍｐ ｒ ｔ ｒ ， ｍｉ ｉ ｍ ｉｉ ｉ ｔ ， ｅ ｅ ａ ｕ ｅ ｉ ｎ ｅ ｔ ｅ ｐ ｅ ｏ ｎ ， ｎ ａｌ ｙ ｘ ｍｕ ｅ ｅａｕ ｅ ｎ ｍｕ ｔ ｍｐ ｒ ｔ ｒ ， ｎ ｒ ｃ ｐｔ ｔ ｎ ａ ｄ ｅ ｌ ｙ ｄ ｔ ｅ Ｓ Ｍ ｔ ｏ ｏ ｄ ｒ ｓ － ａｉ ａｉ ｎ ａ ｄ ｐ ｅ ｉ ｔ ｎ ｅ ｅ ａｕ ｅ ａ ｄ ｐ ｅ ｉ ｉ ｉ ， ｎ ｍｐ ｏ ｅ ｈ Ｖ ｍｅｈ ｄ ｔ ｏ ｃ ｏ ｓ ｖ ｌ ｔ ｎ ｒ ｄ ｃ ｉ ａｏ ｄ ｏ ｏ