CN107958265A - 一种基于战时影响因素与ε-SVR的战损备件预测方法 - Google Patents
一种基于战时影响因素与ε-SVR的战损备件预测方法 Download PDFInfo
- Publication number
- CN107958265A CN107958265A CN201711164106.5A CN201711164106A CN107958265A CN 107958265 A CN107958265 A CN 107958265A CN 201711164106 A CN201711164106 A CN 201711164106A CN 107958265 A CN107958265 A CN 107958265A
- Authority
- CN
- China
- Prior art keywords
- wartime
- svr
- war
- influence factor
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于战时影响因素与ε‑SVR的战损备件预测方法,包括基于战时影响因素分析与ε‑SVR的战损备件需求预测方法的设计总体流程;基于UML的战时影响因素分析、基于ER图的战时影响因素概念建模、基于社会网络分析的重要因素提取和重要因素的量化处理方法;构建基于“战时影响因素—备件需求”的ε‑SVR的预测模型;使用ε‑SVR模型进行预测。本发明针对目前常用的备件需求预测方法,无法满足战时装备损伤非线性、规律未知,且数据量少的现实问题,提出的基于战时影响因素分析与ε‑SVR的战损备件需求预测方法,可行性和有效性高,能够为装备保障工作提供科学的决策依据。
Description
技术领域
本发明涉及一种需求预测方法,具体是一种基于战时影响因素与ε-SVR的战损备件预测方法,属于计算机装备保障仿真技术领域。
背景技术
计算机装备保障仿真已经成为研究和解决装备保障问题的重要方法和手段。随着战争形态从机械化向信息化转变,装备战损的复杂性进一步增强,科学准确地预测战时装备维修器材需求种类和数量具有非常重要的意义。
UML(Unified Modeling Language)是对软件密集型系统中的制品进行可视化、详述、构造和文档化的语言。UML是由世界著名的面向对象技术专家G.Booch、J.Rumbaugh和I.Jacobson发起,在Booch方法、OMT方法和OOSE方法的基础上,汲取其他面向对象方法的优点,广泛征求意见,几经修改而完成的,目前已成为面向对象技术领域内占主导地位的标准建模语言。UML中的类图可以表示系统中类与类之间的静态关系,便于分析系统中各类之间的相互关系。
ER图(Entity Relationship Diagram,ERD),也称实体联系图,是由美籍华裔科学家陈品山(Peter Chen)于1976年提出。ER图把真实的客观世界看作是由实体和实体间联系组成的结构,提出了一系列的概念来表达现实世界中的这种语义知识,并且使用图形方法来表示这些概念,使得ER图既具有较强的语义表达能力,又简单、清晰、易于理解和交流,成为概念建模最受欢迎的数据建模工具。
社会网络分析方法(Social Network Analysis,SNA)是上世纪60年代由社会学家怀特和其后续研究者伯曼、弗里曼和布里格等人综合了社会学、统计学和数学等多领域知识并采用图形理论推导出的一套数学分析方法,是对社会网络中各种关系结构及其属性加以分析的一套理论和方法,它主要分析的是行动者之间的关系模式,该方法有助于提高组织中的协作、知识创新和知识传播。本文利用社会网络分析方法搜集数据,建立关系矩阵;进行数据处理和SNA分析;分析可视化网络图和数据,得出结论。
支持向量机(Support Vector Machine,SVM)作为一种新的数据挖掘技术,由美国学者Vladimir N.Vapnik于1995年首先提出,建立在统计学习理论(Statistical LearningTheory,SLT)和VC(Vapnik-Chervonenkis,VC)维理论的基础上,有着成熟的数学理论基础。不同于其他大多数机器学习算法只考虑经验风险最小化(Empirical Risk Minimization,ERM),SVR通过引入惩罚因子或规则化参数,对经验风险与置信风险进行折中,寻求结构风险最小化(Structural Risk Minimization,SRM),从而解决了由于样本数量有限,传统学习机器泛化能力不足的问题;同时,其在求解过程中,又将问题转化为凸二次规划(Quadratic Programming,QP)优化问题,可通过求解拉格朗日函数得到解,从而保证了得到的解是全局最优解,因此其具有结构简单、泛化能力较好等优点,在模式识别以及函数预测领域获得了广泛应用。支持向量机原来只用于研究分类问题,后来通过引入误差值ε,实现了对回归问题研究的拓展。ε-支持向量回归机(ε-Support Vector Regression,ε-SVR)能够较好地解决样本规律未知、小样本、非线性及高维模式识别中的“过学习”和“维数灾难”问题。除此之外,ε-SVR模型已经存在一些现成的核函数和损失函数模型,只需选择合适的参数即可用于计算,大大减少了数据量和计算量,从而提高了工作效率。因此,ε-SVR非常适合对备件需求预测问题的研究。
现有技术中存在的预计方法大都是建立在大量历史数据基础上的,通过统计、研究这些数据,构建一个数学模型,让这个模型尽可能地趋近备件的消耗规律,然后用这个规律去预测备件需求量。一方面,传统的预计方法需要大量的样本,或装备损伤的先验概率,或备件损耗具有稳定的变化趋势;另一方面,由于战时装备损伤具有复杂性、随机性、非线性和不确定性等特点,使得装备战时的损伤概率或消耗规律不同于平时,同时装备的战损数据也很难取得,导致这些传统方法在使用过程中具有一定的局限性。
发明内容
为解决上述问题,本发明的目的在于提供一种基于战时影响因素与ε-SVR的战损备件预测方法,为实现战损装备备件的精确预测奠定方法基础。
为实现上述目的,本发明采取的技术方案为:一种基于战时影响因素与ε-SVR的战损备件预测方法,该需求预测方法包括四部分:
第一部分:基于战时影响因素分析与ε-SVR的战损备件需求预测方法的设计总体流程;
第二部分:基于UML的战时影响因素分析、基于ER图的战时影响因素概念建模、基于社会网络分析的重要因素提取和重要因素的量化处理方法;
第三部分:构建基于“战时影响因素—备件需求”的ε-SVR的预测模型;
第四部分:使用ε-SVR模型进行预测。
进一步,所述第一部分包括战时影响因素分析方法、建立预测模型和使用预测模型三个基本阶段。
进一步,所述战时影响因素分析方法包括战时影响因素定性分析、提取重要影响因素和定量分析;所述建立预测模型包括建立预测模型和寻找最优参数;所述使用预测模型包括运用建立的预测模型进行需求预测。
进一步,所述第二步部分包括:1)利用UML技术对战时装备损伤影响因素进行定性分析;2)将分析结果通过ER图进行概念建模,通过社会网络分析方法提取重要影响因素;3)利用德尔斐法和模糊综合评判法相结合的方法对重要影响因素进行量化处理。
进一步,所述第三部分包括使用量化处理的重要因素数据构建基于“战时影响因素—备件需求”的ε-SVR的预测模型,并确定模型的最优参数。
进一步,所述第四部分包括将新的样本数据输入ε-SVR预测模型,输出预测结果。
与现有技术相比,本发明具有如下有益效果:本发明针对战时装备损伤具有复杂性、随机性、非线性、不确定性、损伤规律未知和数据样本少的特点,有针对性地提出了基于战时影响因素分析与ε-SVR的战损备件需求预测方法,即对装备战损的影响因素进行了定性分析、提取重要影响因素并量化,可以有效反映交战双方的实际情况,通过ε-SVR建模的方法,可以较好地解决样本规律未知、小样本、非线性及高维模式识别中的“过学习”和“维数灾难”问题。按照该方法进行战损备件的需求预测,可提高预测的准确性和高效性,能够为装备保障工作提供科学的决策依据。
附图说明
图1是本发明方法流程图;
图2是本发明基于UML的战时装备损伤影响因素分析图;
图3是本发明基于ER图的战时装备损伤影响因素概念建模;
图4是本发明战时装备损伤影响因素网络图谱;
图5是本发明作战样式标记及分类图;
图6是本发明战场环境示意图;
图7是本发明红(蓝)方战斗力示意图;
图8是本发明地形气象综合影响系数计算图;
图9是本发明防御阵地系数计算图;
图10是本发明红(蓝)方战术运用等级系数计算图;
图11是本发明红(蓝)方训练等级系数计算图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于战时影响因素与ε-SVR的战损备件预测方法,包括基于战时影响因素分析与ε-SVR的战损备件需求预测方法的设计总体流程;基于UML的战时影响因素分析、基于社会网络分析的重要因素提取和重要因素的量化处理方法;构建基于“战时影响因素—备件需求”的ε-SVR的预测模型;使用ε-SVR模型进行预测
1)基于战时影响因素分析与ε-SVR的战损备件需求预测方法的设计总体流程
设计总体流程如图1所示。设计总体流程主要包括了战时影响因素分析、建立预测模型和使用预测模型三个基本阶段,第一个阶段包括了战时影响因素定性分析、提取重要影响因素和定量分析三个步骤;第二个阶段包括了建立预测模型和寻找最优参数两个步骤;第三个阶段主要是运用建立的预测模型进行需求预测。
2)基于UML的战时影响因素分析、基于ER图的战时影响因素概念建模、基于社会网络分析的重要因素提取和重要影响因素的量化处理方法
1.基于UML的战时影响因素分析
战时,装备损伤包括装备战斗损伤,装备自然损耗,人为操作失误和随机故障等。由于陆军合成分队的战斗基本属于战术层次,作战时间短,因此装备的自然损耗对备件的影响较小,甚至可以忽略不计。同样,人为操作失误和随机故障也可忽略不计,因此,重点研究装备的战斗损伤。与装备战斗损伤相关的影响因素很多,如作战任务,作战样式,战场环境,参战兵力,装备类型,防护措施,战术运用情况,部队训练情况等。利用UML中的类图,将上述因素与战时装备战斗损伤的相互关系描述如图2所示。
2.基于ER图的战时影响因素概念建模
根据图2所示,提取出与装备战斗损伤相关的影响因素涉及的强实体及属性有:敌我双方装备(类型、数量、信息能力、打击能力、防护能力、机动能力、可靠性、维修性);敌我双方参战部分队(番号、数量、战术运用能力、训练程度);我方维修保障部分队(番号、数量、技术保障能力、调配保障能力、保障方式);敌方阵地(防御工事性质、构筑材料、构筑时间);敌方障碍(障碍类型、数量、密度);自然环境(地形类型、水文分布、植被分布、道路状况、气象条件);作战任务;作战样式。其涉及的弱实体有:我情、敌情、人工环境;战场环境。各实体间的联系主要是通过作战行动而产生。由此建立的战时装备损伤影响因素ER图如图3所示。
3.基于社会网络分析的重要因素提取
根据图3所示,构建战时装备战斗损伤各影响因素之间的关系矩阵,利用社会网络分析软件UCINET进行可视化处理,得到战时装备损伤影响因素网络图谱,如图4所示。
在社会网络分析中,中心性是评价一个节点重要性、地位优越性和社会声望的结构位置指标,揭示节点在网络中是否处于中心位置。本发明采用该方法来研究,战时影响因素对装备损伤的影响强弱,即节点中心性越大,表明该影响因素对装备损伤影响越大,该影响因素越重要。利用UCINET软件对装备损伤影响因素网络图谱进行中心性定量分析,结果如表1所示。
表1战时装备损伤影响因素中心性分析结果
序号 | 影响因素 | 绝对中心度 | 相对中心度 | 序号 | 影响因素 | 绝对中心度 | 相对中心度 |
1 | 战时装备战损 | 16.000 | 35.556 | 24 | 我方装备信息能力 | 2.000 | 4.444 |
2 | 作战样式 | 14.000 | 31.111 | 25 | 我方装备打击能力 | 2.000 | 4.444 |
3 | 战场环境 | 13.000 | 28.889 | 26 | 我方装备机动能力 | 2.000 | 4.444 |
4 | 敌情 | 13.000 | 28.889 | 27 | 作战任务 | 2.000 | 4.444 |
5 | 我方装备作战能力 | 9.000 | 20.000 | 28 | 道路状况 | 2.000 | 4.444 |
6 | 人工环境 | 9.000 | 20.000 | 29 | 我方装备维修性 | 2.000 | 4.444 |
7 | 自然环境 | 9.000 | 20.000 | 30 | 作战激烈程度 | 2.000 | 4.444 |
8 | 我方装备类型 | 9.000 | 20.000 | 31 | 我方人员数量 | 2.000 | 4.444 |
9 | 我情 | 9.000 | 20.000 | 32 | 作战范围 | 2.000 | 4.444 |
10 | 敌方装备作战能力 | 8.000 | 17.778 | 33 | 作战持续时间 | 2.000 | 4.444 |
11 | 作战活动 | 8.000 | 17.778 | 34 | 敌方装备信息能力 | 2.000 | 4.444 |
12 | 敌方装备类型 | 6.000 | 13.333 | 35 | 我方装备数量 | 2.000 | 4.444 |
13 | 我方人员作战能力 | 5.000 | 11.111 | 36 | 敌方装备防护能力 | 2.000 | 4.444 |
14 | 障碍设置 | 5.000 | 11.111 | 37 | 敌方装备机动能力 | 2.000 | 4.444 |
15 | 阵地建设 | 5.000 | 11.111 | 38 | 敌方人员数量 | 2.000 | 4.444 |
16 | 敌方人员作战能力 | 5.000 | 11.111 | 39 | 我方装备可靠性 | 2.000 | 4.444 |
17 | 我方维修保障能力 | 4.000 | 8.889 | 40 | 敌方装备数量 | 2.000 | 4.444 |
18 | 地形类型 | 3.000 | 6.667 | 41 | 我方调配保障能力 | 1.000 | 2.222 |
19 | 水文分布 | 3.000 | 6.667 | 42 | 敌方人员战术运用能力 | 1.000 | 2.222 |
20 | 植被分布 | 3.000 | 6.667 | 43 | 敌方人员训练程度 | 1.000 | 2.222 |
21 | 我方装备防护能力 | 3.000 | 6.667 | 44 | 我方人员战术运用能力 | 1.000 | 2.222 |
22 | 气象条件 | 3.000 | 6.667 | 45 | 我方人员训练程度 | 1.000 | 2.222 |
23 | 敌方装备打击能力 | 2.000 | 4.444 | 46 | 我方技术保障能力 | 1.000 | 2.222 |
从表1中可以得出,除去战时装备损伤的前15项影响因素的绝对中心度和相对中心度较高,可视为重要影响因素。在提取出装备战损的重要影响因素后,首先对其进行深入分析,将重复指标进行合并约简,确立指标体系:
(1)作战样式:是指按敌情、战场环境等不同情况,对作战类型的具体划分。不同的作战样式,对应不同的作战行动,导致不同的装备损伤规律。同时,不同的作战样式,提取的指标也不尽相同。因此,通过研究不同作战样式的装备战损规律,用来预测相同作战样式的装备战损问题,这样才能大大提高预测的精度。作战样式用来区分模型类型,根据不同的作战样式,选取不同的预测模型,如图5所示。本方法以陆军合成分队突击作战为例进行指标选取。
(2)战场环境:是指战场及其周围对作战活动有影响的各种情况和条件的统称。包括自然条件、人文条件、战场建设情况,以及信息、网络和电磁状况等。为了简化模型,将战场环境简单区分为自然环境和人工环境。自然环境通过地形气象综合影响系数进行量化,人工环境通过防御阵地系数进行量化,如图6所示。
(3)敌(我)情:主要体现在敌(我)方装备作战能力和敌(我)方人员作战能力。而敌(我)方装备类型则包含在敌(我)方装备作战能力中。因此,可以通过衡量双方的战斗力来衡量敌情和我情。战斗力是指武装力量遂行作战任务的能力,由人、武器装备和人与武器装备的结合等基本要素构成,其强弱取决于人员和武器装备的数质量,组织指挥和管理水平,军事训练状况及士气等。为了简化模型,选取3个指标对战斗力的强弱进行综合衡量,如图7所示:提取参战双方的班单位火力指数描述双方的参战兵力、武器装备和火力打击能力;提取战术运用等级系数描述参战双方的决策指挥能力;提取训练等级系数描述参战分队的武器装备运用能力。
4.战时重要影响因素的量化处理
(1)地形气象综合影响系数G
通过德尔斐法建立地形和气象状况对作战行动综合影响的评估体系:地形起伏、植被疏密程度、道路状况、河流湖泊、天气情况,如图8所示;通过德尔斐法确定5个影响因素的权重系数和评估集;通过德尔斐法对地形气象状况进行评估;利用模糊综合评判法确定某次战斗的地形气象综合影响系数G。为了快速确定G值,也可从表2中直接选取。
表2地形气象综合影响系数
(2)防御阵地系数F
利用德尔斐法和模糊综合评判法相结合的方法,通过衡量防御工事的性质、构筑材料、构筑时间,障碍物的类型、数量、密度等因素来综合确定防御阵地系数F,如图9所示。为了快速确定F值,也可从表3中直接选取。
表3防御阵地系数
(3)红方(蓝方)的班单位火力指数WRD(WBD)
合成火力指数是指一个建制单位内各类武器装备的火力指数之和。因重点研究陆军合成分队的战斗行动,因此采用班单位火力指数来对参战双方的火力打击能力进行度量。红方(蓝方)的班单位火力指数WRD(WBD)是指红方(蓝方)参战分队的合成火力指数与步兵班的合成火力指数的比值(本发明取步兵班的合成火力指数为31)。通过计算WRD(WBD),可以较为直观的判断出战斗规模及双方打击能力。通过查表和计算确定WRD(WBD)。
(4)红方(蓝方)战术运用等级系数ZR(ZB)
利用德尔斐法和模糊综合评判法相结合的方法,根据战斗任务完成情况、人员伤亡情况、装备战损情况来确定红方(蓝方)战术运用等级系数ZR(ZB),如图10所示。为了快速确定ZR(ZB)值,也可从表4中直接选取。
表4战术运用等级系数
(5)红方(蓝方)训练等级系数XR(XB)
利用德尔斐法和模糊综合评判法相结合的方法,根据指挥员的组训能力、分队人员的综合素质、训练时间和考核成绩等情况来综合判定红方(蓝方)训练等级系数XR(XB),如图11所示。为了快速确定XR(XB)值,也可从表5中直接选取。
表5训练等级系数
3)构建基于“战时影响因素—备件需求”的ε-SVR的预测模型
1.建立预测模型
根据选取的作战样式,将每次战斗的地形气象综合影响系数G、防御阵地系数F、红方(蓝方)的班单位火力指数WRD(WBD)、红方(蓝方)战术运用等级系数ZR(ZB)、红方(蓝方)训练等级系数XR(XB)为输入因子,对应的备件需求量为输出因子,构建样本空间,建立“战时影响因素—备件需求”的ε-SVR预测模型。
2.寻找最优参数
建立ε-SVR预测模型后,需要确定模型的最优参数值,主要包括:核函数K,惩罚因子C和误差值ε等。SVR最优参数的确定主要是根据具体问题凭借经验、实验对比或大范围搜索等方法来选择合适的参数。本发明采用RBF核函数,将确定核函数K转变为确定RBF核的宽度系数σ。通过设置参数C,ε和σ的搜索范围,采用交叉验证法(Cross Validation,CV)和网格搜索法相结合对ε-SVR进行训练,利用SVM工具箱和MATLAB软件进行最优参数的确定,从而完成模型的构建。
4)使用ε-SVR模型进行预测
将需要预测的战斗样本,根据战时影响因素定量分析的方式,得到相应的样本输入值。将输入值输入ε-SVR预测模型,得到预测值。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种基于战时影响因素与ε-SVR的战损备件预测方法,其特征在于,该需求预测方法包括四部分:
第一部分:基于战时影响因素分析与ε-SVR的战损备件需求预测方法的设计总体流程;
第二部分:基于UML的战时影响因素分析、基于ER图的战时影响因素概念建模、基于社会网络分析的重要因素提取和重要因素的量化处理方法;
第三部分:构建基于“战时影响因素—备件需求”的ε-SVR的预测模型;
第四部分:使用ε-SVR模型进行预测。
2.根据权利要求1所述的一种基于战时影响因素与ε-SVR的战损备件预测方法,其特征在于,所述第一部分包括:战时影响因素分析方法、建立预测模型和使用预测模型三个基本阶段。
3.根据权利要求2所述的一种基于战时影响因素与ε-SVR的战损备件预测方法,其特征在于:所述战时影响因素分析方法包括战时影响因素定性分析、提取重要影响因素和定量分析;所述建立预测模型包括建立预测模型和寻找最优参数;所述使用预测模型包括运用建立的预测模型进行需求预测。
4.根据权利要求1所述的一种基于战时影响因素与ε-SVR的战损备件预测方法,其特征在于,所述第二部分包括:1)利用UML技术对战时装备损伤影响因素进行定性分析;2)将分析结果通过ER图进行概念建模,通过社会网络分析方法提取重要影响因素;3)利用德尔斐法和模糊综合评判法相结合的方法对重要影响因素进行量化处理。
5.根据权利要求1所述的一种基于战时影响因素与ε-SVR的战损备件预测方法,其特征在于,所述第三部分包括:使用量化处理的重要因素数据构建基于“战时影响因素—备件需求”的ε-SVR的预测模型,并确定模型的最优参数。
6.根据权利要求1所述的一种基于战时影响因素与ε-SVR的战损备件预测方法,其特征在于,所述第四部分包括:将新的样本数据输入ε-SVR预测模型,输出预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711164106.5A CN107958265A (zh) | 2017-11-21 | 2017-11-21 | 一种基于战时影响因素与ε-SVR的战损备件预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711164106.5A CN107958265A (zh) | 2017-11-21 | 2017-11-21 | 一种基于战时影响因素与ε-SVR的战损备件预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107958265A true CN107958265A (zh) | 2018-04-24 |
Family
ID=61965047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711164106.5A Pending CN107958265A (zh) | 2017-11-21 | 2017-11-21 | 一种基于战时影响因素与ε-SVR的战损备件预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107958265A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461559A (zh) * | 2020-04-03 | 2020-07-28 | 中国人民解放军陆军勤务学院 | 备件需求量确定方法、装置及电子设备 |
CN111894946A (zh) * | 2020-07-20 | 2020-11-06 | 中国人民解放军空军工程大学 | 基于作战强度和环境的装备液压系统故障预测方法 |
CN112183858A (zh) * | 2020-09-28 | 2021-01-05 | 中国人民解放军海军航空大学青岛校区 | 航空装备维修器材战储标准的测算方法 |
CN112416928A (zh) * | 2020-11-16 | 2021-02-26 | 中国人民解放军空军预警学院 | 地面复杂电子装备抢修备件需求预测模型 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933488A (zh) * | 2015-06-30 | 2015-09-23 | 中国铁道科学研究院通信信号研究所 | 一种atp车载设备故障率预测方法 |
CN107066256A (zh) * | 2017-02-24 | 2017-08-18 | 中国人民解放军海军大连舰艇学院 | 一种基于时态的对象变更模型的建模方法 |
-
2017
- 2017-11-21 CN CN201711164106.5A patent/CN107958265A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933488A (zh) * | 2015-06-30 | 2015-09-23 | 中国铁道科学研究院通信信号研究所 | 一种atp车载设备故障率预测方法 |
CN107066256A (zh) * | 2017-02-24 | 2017-08-18 | 中国人民解放军海军大连舰艇学院 | 一种基于时态的对象变更模型的建模方法 |
Non-Patent Citations (1)
Title |
---|
申宏伟 等: ""一种雷达群组网系统战时备件需求预测方法"", 《空军雷达学院学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461559A (zh) * | 2020-04-03 | 2020-07-28 | 中国人民解放军陆军勤务学院 | 备件需求量确定方法、装置及电子设备 |
CN111461559B (zh) * | 2020-04-03 | 2023-06-23 | 中国人民解放军陆军勤务学院 | 备件需求量确定方法、装置及电子设备 |
CN111894946A (zh) * | 2020-07-20 | 2020-11-06 | 中国人民解放军空军工程大学 | 基于作战强度和环境的装备液压系统故障预测方法 |
CN111894946B (zh) * | 2020-07-20 | 2022-07-15 | 中国人民解放军空军工程大学 | 基于作战强度和环境的装备液压系统故障预测方法 |
CN112183858A (zh) * | 2020-09-28 | 2021-01-05 | 中国人民解放军海军航空大学青岛校区 | 航空装备维修器材战储标准的测算方法 |
CN112183858B (zh) * | 2020-09-28 | 2022-03-15 | 中国人民解放军海军航空大学青岛校区 | 航空装备维修器材战储标准的测算方法 |
CN112416928A (zh) * | 2020-11-16 | 2021-02-26 | 中国人民解放军空军预警学院 | 地面复杂电子装备抢修备件需求预测模型 |
CN112416928B (zh) * | 2020-11-16 | 2022-10-04 | 中国人民解放军空军预警学院 | 地面复杂电子装备抢修备件需求预测模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329348B (zh) | 一种面向非完全信息条件下军事对抗博弈的智能决策方法 | |
Hodges et al. | Wildland fire spread modeling using convolutional neural networks | |
CN108805430A (zh) | 一种防空反导体系作战能力评估方法与装置 | |
CN107958265A (zh) | 一种基于战时影响因素与ε-SVR的战损备件预测方法 | |
Rezaei et al. | Application of fuzzy multi-criteria decision making analysis for evaluating and selecting the best location for construction of underground dam | |
CN110119904A (zh) | 一种舰船装备维修保障能力评估方法和系统 | |
CN108647414A (zh) | 基于仿真实验的作战计划适应性分析方法及存储介质 | |
CN110197282A (zh) | 一种基于遗传模糊逻辑树的威胁估计与态势评估方法 | |
CN107491694A (zh) | 用于量化评估scada系统信息安全脆弱性的方法 | |
CN109858134B (zh) | 大数据驱动的辅助多装备系统体系结构模型构建的方法 | |
Truong et al. | Exploring agent architectures for farmer behavior in land-use change. A case study in coastal area of the Vietnamese Mekong Delta | |
CN115310345B (zh) | 基于人工势场的智能算法评估方法及装置 | |
CN107919983A (zh) | 一种基于数据挖掘的天基信息网络效能评估系统及方法 | |
CN114912741A (zh) | 一种作战体系结构效能评估方法、装置以及存储介质 | |
Sedki et al. | Swarm intelligence for groundwater management optimization | |
CN110222133A (zh) | 一种考虑景观指数的多类土地利用模拟预测方法及装置 | |
CN105243474A (zh) | 基于时空信息的尾矿库安全风险评估方法 | |
CN117272835A (zh) | 数字孪生兵棋推演气象数据仿真及智能决策方法和系统 | |
CN113408137B (zh) | 一种基于任务完成度和损失比的体系作战效能分析方法 | |
CN108712436B (zh) | 一种基于微分流形的网络空间安全度量方法 | |
CN106845512A (zh) | 基于分形参数的兽类形体识别方法及系统 | |
CN106339357A (zh) | 寻优参数化的网络信息安全检测系统和方法 | |
CN103870882B (zh) | 一种基于模型的作战能力指标体系分析系统及其方法 | |
Pérez et al. | Model testing and assessment: perspectives from a swarm intelligence, agent-based model of forest insect infestations | |
CN107145998A (zh) | 一种基于Dyna‑CLUE模型的土地压力计算方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180424 |
|
WD01 | Invention patent application deemed withdrawn after publication |