-
题名改进RVM的装备退化状态预测方法
被引量：1
- 1
-
-
作者
逯程
徐廷学
张海军
王天然
-
机构
海军航空工程学院兵器科学与技术系
-
出处
《现代防御技术》
2018年第2期153-158,共6页
-
基金
国家自然科学基金(51605487)
山东省自然科学基金(ZR2016FQ03)
-
文摘
为提高相关向量机(relevance vector machine,RVM)模型的预测精度,提出了一种改进RVM的装备退化状态预测方法。首先,通过构建一种方差高斯核函数(variance Gauss kernel function,VGKF)来提高核函数的全局性能和泛化能力;然后通过借鉴混沌序列局域预测法中邻近点个数的选取方法,利用H-Q准则(Hannan-Quinn rule)对训练空间预测嵌入维数进行优化,避免了主观选取的盲目性;最后提出一种线性搜索算法,优化确定核参数值。通过末制导雷达装备测试参数的预测实例,验证了改进RVM的有效性和优越性。
-
关键词
相关向量机
方差高斯核函数
局域预测法
嵌入维数
线性搜索算法
末制导雷达
-
Keywords
relevance vector machine
variance gauss kernel function
local prediction method
embedding dimension
linear search algorithm
terminal guidance radar
-
分类号
TJ760.7
[兵器科学与技术—武器系统与运用工程]
-
-
题名基于联合局域相关向量机的雷达导引头状态预测方法
被引量：3
- 2
-
-
作者
逯程
徐廷学
王虹
-
机构
海军航空大学岸防兵学院
中央军委联合参谋部第
-
出处
《系统工程与电子技术》
EI
CSCD
北大核心
2018年第1期9-16,共8页
-
基金
国家自然科学基金(51605487)
山东省自然科学基金(ZR2016FQ03)资助课题
-
文摘
针对雷达导引头机电结构组成复杂、性能指标测试数据信息利用率不足、使用传统基于数据驱动的状态预测方法精度不高的问题,借鉴相关向量机(relevance vector machine,RVM)和Dempster-Shafer(D-S)证据理论,提出了一种基于证据融合和改进局域RVM的状态预测方法。首先,对标准RVM回归模型进行改进,通过构建方差高斯核函数(variance Gauss kernel function,VGKF)来提高核函数的全局性能和泛化能力;然后通过借鉴混沌序列局域预测法中邻近点个数的选取方法,利用Hannan-Quinn(H-Q)准则对训练空间预测嵌入维数进行优化,避免了主观选取的盲目性,完成了改进局域相关向量机模型(local relevance vector machine,LRVM)的构建;最后,利用具有近似退化规律的同源装备测试数据对LRVM进行了改进,通过D-S证据理论对两种模型的预测结果进行了融合,建立了联合局域相关向量机(united local relevance vector machine,U-LRVM)模型。通过对导引头相关参数的实例预测,验证了该方法的可行性和优越性。
-
关键词
相关向量机
D-S证据理论
方差高斯核函数
局域预测法
-
Keywords
relevance vector machine(RVM)
Dempster-Shafer(D-S)evidence theory
variance gauss kernel function(vgkf)
local prediction method
-
分类号
TJ760
[兵器科学与技术—武器系统与运用工程]
-
-
题名基于相关向量EMD和GMDH重构的故障率预测方法
被引量：3
- 3
-
-
作者
徐廷学
逯程
王虹
韩旭
-
机构
海军航空大学岸防兵学院
中央军委联合参谋部第
海军航空大学航空基础学院
-
出处
《振动．测试与诊断》
EI
CSCD
北大核心
2018年第6期1275-1285,1300,共12页
-
基金
国家自然科学基金资助项目(51605487)
山东省自然科学基金资助项目(ZR2016FQ03)
中国博士后科学基金资助项目(2016M592965).
-
文摘
针对故障率数据的非线性非平稳特性及现有预测方法精度不足的问题,提出了一种基于相关向量经验模态分解(relevance vector empirical mode decomposition,简称RVEMD)和数据处理组合法(grouped method of data handling,简称GMDH)重构的预测方法。首先,通过RVEMD分离故障率时间序列的波动项和趋势项,分解产生序列的固有模态函数(intrinsic mode function,简称IMF)和残余函数(residual function,简称RF),通过相关向量机(relevance vector machine,简称RVM)预测端点局部极值的方法抑制传统经验模态分解(empirical mode decomposition,简称EMD)存在的端点效应,进一步利用RVM回归生成序列的上下包络,替代了常规三次样条插值法;其次,建立各IMF分量的RVM预测模型和RF分量的灰色预测模型,其中对标准RVM回归模型进行了改进,通过构建一种方差高斯核函数(variance Gauss kernel function,简称VGKF)来提高核函数的全局性能和泛化能力,利用H-Q准则对训练空间预测嵌入维数进行优化,避免了主观选取的盲目性,同时构建了一种基于背景值优化的灰色预测模型;最后,通过GMDH算法产生的最优智能组合模型得到最终的预测结果。仿真实例结果表明,相比常规EMD分解后叠加预测法和其他单一模型预测法,该方法具有更加优异的预测性能,能够对故障率的变化趋势进行准确预测。
-
关键词
相关向量经验模态分解
数据处理组合法
端点效应
方差高斯核函数
灰色预测模型
-
Keywords
relevance vector empirical mode
grouped method of data handling
end effect
variance gauss kernel function
grey prediction model
-
分类号
TJ760
[兵器科学与技术—武器系统与运用工程]
TH86
[机械工程—精密仪器及机械]
-
