期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于RS-PSO-SVM的航材消耗预测模型
被引量：
9
1
作者
孙绳山
徐常凯
何亚群
《南京航空航天大学学报》
CAS
CSCD
北大核心
2021年第6期881-887,共7页
针对航材消耗预测影响因素多,结合航材消耗特点,研究粗糙集(Rough set,RS)与支持向量机(Support vector machine,SVM)相互融合的航材消耗预测问题。通过RS不完备信息系统的属性约简剔除航材消耗信息系统中冗余的定量因素,在属性重要性...
针对航材消耗预测影响因素多,结合航材消耗特点,研究粗糙集(Rough set,RS)与支持向量机(Support vector machine,SVM)相互融合的航材消耗预测问题。通过RS不完备信息系统的属性约简剔除航材消耗信息系统中冗余的定量因素,在属性重要性基础上将7个影响因素约简为3个影响因素,保留了该系统的核心知识。引入粒子群算法(Particle swarm optimization,PSO)优化SVM模型,寻优得到的参数组合,建立RS-PSO-SVM航材消耗预测模型。实例分析表明,RS-PSO-SVM模型的预测准确度较好,相比较于PSO-SVM、RS-BP(Back propagation)预测性能更佳。
展开更多
关键词
航材消耗预测
不完备信息系统
属性约简
粒子群优化
支持向量机
在线阅读
下载PDF
职称材料
考虑全过程优化的支持向量机航材消耗预测方法
被引量：
2
2
作者
谷雨轩
徐常凯
倪彬
《火力与指挥控制》
CSCD
北大核心
2022年第6期81-86,共6页
针对航材消耗影响因素复杂,传统支持向量机预测精度较低的问题,提出了一种考虑全过程优化的支持向量机(SVM)航材消耗预测方法。采用LASSO算法实现主要影响因素选择,通过K-means聚类算法将样本分为相关性较强的子样本集,根据不同类别分...
针对航材消耗影响因素复杂,传统支持向量机预测精度较低的问题,提出了一种考虑全过程优化的支持向量机(SVM)航材消耗预测方法。采用LASSO算法实现主要影响因素选择,通过K-means聚类算法将样本分为相关性较强的子样本集,根据不同类别分别选择合适的核函数和优化参数建立SVM预测模型。结合航材消耗数据实例分析,最后通过均方根误差与传统支持向量机模型和神经网络模型比较,结果表明全过程优化的预测模型对提高航材保障效率有积极意义。
展开更多
关键词
航材消耗预测
LASSO算法
K-MEANS聚类
支持向量机
在线阅读
下载PDF
职称材料
基于改进生成对抗网络的国产民机航材消耗预测方法
被引量：
1
3
作者
曾浩然
冯蕴雯
+1 位作者
路成
潘维煌
《系统工程与电子技术》
EI
CSCD
北大核心
2023年第10期3132-3138,共7页
为解决航材消耗预测影响因素较多、时间相关性复杂、实际消耗样本少等问题,鉴于现有方法难以捕捉小样本航材消耗数据在时间顺序上的逐步依赖关系,提出了基于改进生成对抗网络生成模型和循环神经网络预测模型的航材消耗预测方法。该方法...
为解决航材消耗预测影响因素较多、时间相关性复杂、实际消耗样本少等问题,鉴于现有方法难以捕捉小样本航材消耗数据在时间顺序上的逐步依赖关系,提出了基于改进生成对抗网络生成模型和循环神经网络预测模型的航材消耗预测方法。该方法将自回归学习有监督训练与对抗学习无监督训练相结合,进一步挖掘航材消耗数据的潜在静态分布和时态逐步依赖分布,从而生成更加接近真实数据的样本,达到扩充样本量、提高航材消耗预测精度的目的。以某型国产民机部件消耗数据为案例,利用降维可视化方法和预测分数评价模型的生成性能和预测精度。通过与其他方法对比,所提方法预测值的平均绝对误差减少了3%,验证了所提方法解决航材预测问题的有效性。
展开更多
关键词
国产民机
航材消耗预测
时间序列
生成对抗网络
在线阅读
下载PDF
职称材料
题名
基于RS-PSO-SVM的航材消耗预测模型
被引量：
9
1
作者
孙绳山
徐常凯
何亚群
机构
空军勤务学院研究生大队
空军勤务学院航材四站系
出处
《南京航空航天大学学报》
CAS
CSCD
北大核心
2021年第6期881-887,共7页
文摘
针对航材消耗预测影响因素多,结合航材消耗特点,研究粗糙集(Rough set,RS)与支持向量机(Support vector machine,SVM)相互融合的航材消耗预测问题。通过RS不完备信息系统的属性约简剔除航材消耗信息系统中冗余的定量因素,在属性重要性基础上将7个影响因素约简为3个影响因素,保留了该系统的核心知识。引入粒子群算法(Particle swarm optimization,PSO)优化SVM模型,寻优得到的参数组合,建立RS-PSO-SVM航材消耗预测模型。实例分析表明,RS-PSO-SVM模型的预测准确度较好,相比较于PSO-SVM、RS-BP(Back propagation)预测性能更佳。
关键词
航材消耗预测
不完备信息系统
属性约简
粒子群优化
支持向量机
Keywords
air material consumption prediction
incomplete information system
attribute reduction
particle swarm optimization(PSO)
support vector machine(SVM)
分类号
TP312 [自动化与计算机技术—计算机软件与理论]
E939 [军事—军事装备学]
在线阅读
下载PDF
职称材料
题名
考虑全过程优化的支持向量机航材消耗预测方法
被引量：
2
2
作者
谷雨轩
徐常凯
倪彬
机构
空军勤务学院航材四站系
出处
《火力与指挥控制》
CSCD
北大核心
2022年第6期81-86,共6页
文摘
针对航材消耗影响因素复杂,传统支持向量机预测精度较低的问题,提出了一种考虑全过程优化的支持向量机(SVM)航材消耗预测方法。采用LASSO算法实现主要影响因素选择,通过K-means聚类算法将样本分为相关性较强的子样本集,根据不同类别分别选择合适的核函数和优化参数建立SVM预测模型。结合航材消耗数据实例分析,最后通过均方根误差与传统支持向量机模型和神经网络模型比较,结果表明全过程优化的预测模型对提高航材保障效率有积极意义。
关键词
航材消耗预测
LASSO算法
K-MEANS聚类
支持向量机
Keywords
aviation material consumption prediction
lasso algorithm
K-means clustering
support vector machine
分类号
E92 [兵器科学与技术—武器系统与运用工程]
在线阅读
下载PDF
职称材料
题名
基于改进生成对抗网络的国产民机航材消耗预测方法
被引量：
1
3
作者
曾浩然
冯蕴雯
路成
潘维煌
机构
西北工业大学航空学院
出处
《系统工程与电子技术》
EI
CSCD
北大核心
2023年第10期3132-3138,共7页
基金
国家自然科学基金(51875465)资助课题。
文摘
为解决航材消耗预测影响因素较多、时间相关性复杂、实际消耗样本少等问题,鉴于现有方法难以捕捉小样本航材消耗数据在时间顺序上的逐步依赖关系,提出了基于改进生成对抗网络生成模型和循环神经网络预测模型的航材消耗预测方法。该方法将自回归学习有监督训练与对抗学习无监督训练相结合,进一步挖掘航材消耗数据的潜在静态分布和时态逐步依赖分布,从而生成更加接近真实数据的样本,达到扩充样本量、提高航材消耗预测精度的目的。以某型国产民机部件消耗数据为案例,利用降维可视化方法和预测分数评价模型的生成性能和预测精度。通过与其他方法对比,所提方法预测值的平均绝对误差减少了3%,验证了所提方法解决航材预测问题的有效性。
关键词
国产民机
航材消耗预测
时间序列
生成对抗网络
Keywords
domestic civil aircraft
spare parts consumption forecast
time sequence
generative adversarial network(GAN)
分类号
V267 [航空宇航科学与技术—航空宇航制造工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于RS-PSO-SVM的航材消耗预测模型
孙绳山
徐常凯
何亚群
《南京航空航天大学学报》
CAS
CSCD
北大核心
2021
9
在线阅读
下载PDF
职称材料
2
考虑全过程优化的支持向量机航材消耗预测方法
谷雨轩
徐常凯
倪彬
《火力与指挥控制》
CSCD
北大核心
2022
2
在线阅读
下载PDF
职称材料
3
基于改进生成对抗网络的国产民机航材消耗预测方法
曾浩然
冯蕴雯
路成
潘维煌
《系统工程与电子技术》
EI
CSCD
北大核心
2023
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
