CN112907032A - 一种基于效能的大型电磁弹射装置的评价方法 - Google Patents

一种基于效能的大型电磁弹射装置的评价方法 Download PDF

Info

Publication number
CN112907032A
CN112907032A CN202110084101.1A CN202110084101A CN112907032A CN 112907032 A CN112907032 A CN 112907032A CN 202110084101 A CN202110084101 A CN 202110084101A CN 112907032 A CN112907032 A CN 112907032A
Authority
CN
China
Prior art keywords
efficiency
scale
model
lemed
ejection device
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.)
Granted
Application number
CN202110084101.1A
Other languages
English (en)
Other versions
CN112907032B (zh
Inventor
陈桂明
李乔扬
王炜
高成强
张毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rocket Force University of Engineering of PLA
Original Assignee
Rocket Force University of Engineering of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Rocket Force University of Engineering of PLA filed Critical Rocket Force University of Engineering of PLA
Priority to CN202110084101.1A priority Critical patent/CN112907032B/zh
Publication of CN112907032A publication Critical patent/CN112907032A/zh
Application granted granted Critical
Publication of CN112907032B publication Critical patent/CN112907032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)

Abstract

本发明公开了一种基于效能的大型电磁弹射装置的评价方法，针对现有用于航空航天的大型蒸汽弹射装置红外辐射较强，系统连续工作能力差，弹射装置烧蚀严重，环境污染等问题，结合当下对大型电磁弹射装置(large electromagnetic ejection device，LEMED)的研究主要针对关键技术点的形势，以及以往对LEMED的研究中的不足，建立了基于GRA‑PCA‑LSSVM的效能预测模型，并讨论了基于DEA的系统投资效率。通过实验结果证明建立的模型合理、有效，且具有优越性，为LEMED的进一步完善和发展提供了参考。

Description

一种基于效能的大型电磁弹射装置的评价方法
技术领域
本发明属于大型电磁弹射装置评价技术领域，具体涉及一种基于效能的大型电磁弹射装置的评价方法。
背景技术
大型电磁弹射装置(Large electromagnetic ejection device，LEMED)由于能够有效解决现有航空航天弹射方式存在的红外辐射强，系统连续工作能力差，弹射装置烧蚀严重，环境污染等问题，是目前的研究热点。
目前对LEMED的研究主要集中在脉冲储能电源、脉冲电源放电、电机控制等技术方面，对整个系统评价的研究很少。在现有技术中研究了电磁弹射装置的效能评估模型，提出了一种新的系统两级指标评价模型。但该系统评价指标较多，模型比较复杂，计算流程过于复杂，无法快速计算设计方案的有效性值，并且对于设计方案的投资效率也并未讨论。
发明内容
针对上述存在的问题，本发明提供一种基于效能的大型电磁弹射装置的评价方法，基于现有的电磁弹射装置的效能评估模型，提出了快速计算模型，并建立DEA模型对系统设计方案中的费用值进行评估优化。
实现本发明目的的技术解决方案为：
一种基于效能的大型电磁弹射装置的评价方法，其特征在于，包括以下步骤：
步骤1：建立大型电磁弹射装置LEMED的效能评估模型；
步骤2：建立GRA-PCA-LSSVM的效能快速计算模型，利用该模型快速计算出步骤1所建立的模型评估的效能值；
步骤3：建立DEA模型对LEMED的投资效率进行评价；
步骤4：基于得到的效能和投资效率对LEMED设计系统进行评估。
进一步地，步骤2所述的建立GRA-PCA-LSSVM的效能计算模型的步骤包括：
步骤21：对输入的评价指标进行GRA计算，选择主要指标；
步骤22：将选择出的主要指标进行PCA分析统计，将多个相互关联的指标转化为若干个综合指标，以降低维度；
步骤23：基于最小二乘支持向量机LSSVM，构建LSSVM的效能预测模型，用于求解出LEMED的效能值。
进一步地，步骤21的具体操作步骤包括：
步骤211：确定LEMED系统中的母序列和子序列；
步骤212：对母序列和子序列分别进行无量纲处理，并采用均值化处理序列，来去除量纲；
步骤213：计算子序列和母序列对应的因子的关联系数，其计算公式为：
Figure BDA0002910165540000021
其中，m为子序列数，n为样本数，x0(k)为无量纲处理后母序列的第k个样本值，xi(k)为无量纲处理后第i个子序列的第k个样本值，ρ为分辨系数且取值为0.5；
步骤214：根据得到的因子的关联系数，计算出子序列相对母序列的关联度并对关联度进行排序，且关联度的计算公式为：
Figure BDA0002910165540000031
进一步地，步骤22的具体操作步骤为：
步骤221：对输入的原数据进行规范化处理，得到样本矩阵；
步骤222：对处理后的样本矩阵进行相关分析，得到相关系数矩阵，通过相关系数矩阵来判断各指标之间的相关性，如果存在相关性，则进行PCA统计分析；
步骤223：根据相关系数矩阵，计算该矩阵的特征值和特征向量，得到特征值，即各主成分方差的方差，则贡献率为该成分的方差除以所有成分的方差之和，再将特征值按从大到小进行排序，前n个主成分的贡献率之和即为累积贡献率；
步骤224：根据特征值的具体要求或主成分的累积贡献率选择主成分，得到PCA结果，且得到的PCA结果的数学模型式为：
Figure BDA0002910165540000032
其中，Zl是主成分，Xn为标准化后的原始数据，aij是主成分系数。
进一步地，步骤23的具体操作步骤包括：
步骤231：设样本数为n，xi为m维输入向量，yi为输出向量，构造最优线性回归函数为：
Figure BDA0002910165540000041
其中，ω是权重向量，b是偏移量，
Figure BDA0002910165540000042
是非线性映射；
步骤232：根据结构风险最小化原则，将目标函数(4)改写为：
Figure BDA0002910165540000043
其中，λ为正则化参数，ei为训练集预测误差向量；
式(5)的约束条件式表示为：
Figure BDA0002910165540000044
步骤233：利用拉格朗日函数将式(6)变换到对偶空间，即：
Figure BDA0002910165540000045
其中，αi为拉格朗日乘子；
根据KKT条件可得：
Figure BDA0002910165540000046
消除式(8)中的ω和ei后可得：
Figure BDA0002910165540000051
其中，
Figure BDA0002910165540000052
是核函数，一般取径向基核函数为：
Figure BDA0002910165540000053
其中，μ为核参数；
步骤234：得出LSSVM的预测模型为：
Figure BDA0002910165540000054
进一步地，步骤3的具体操作步骤为：
步骤31：利用整体有效性评价模型CCR来评价LEMED是否满足技术有效和规模有效；
步骤32：利用技术有效性评价模型BCC评价相对技术有效性；
步骤33：利用规模效益评价模型来验证决策单元是否处于最佳规模水平，并且可以判断其是处于规模递增、不变还是递减的状态；
步骤34：根据得到的整体有效性、规模有效性和相对技术有效性来评价LEMED系统的投资效率。
进一步地，假设LEMED中有s个DMU，每个决策单元有p个输入和q个输出，xk＝(x1k,x2k,…,xpk)T表示第k个DMU的输入向量，yk＝(x1k,x2k,…,xqk)T表示第k个DMU的输出向量，x0和y0表示被评价DMU0的输入和输出向量，则步骤31中所述的CCR模型的表达式为：
Figure BDA0002910165540000061
其中，s-和s+为松弛变量，λk为一般变量，θ为整体效率；
引入非阿基米德无穷小量ε，则式(12)转化为：
Figure BDA0002910165540000062
若式(13)的最优解为λ*，s-*，s+*，θ*，则有：
i.若θ*<1，则DMU0既不满足技术效率最佳又不满足规模收益不变；
ii.若θ*＝1，且s-*和s+*至少有一个不为0，则DMU0为弱DEA有效，即不是同时技术有效和规模有效；
iii.若θ*＝1，且s-*＝s+*＝0，则DMU0为DEA有效，即同时满足技术有效和规模有效。
进一步地，步骤32中所述技术有效性评价模型BCC的计算式为：
Figure BDA0002910165540000063
其中，V为纯技术效率；
若模型的最优解为λ0，s-0，s+0，θ0，当θ0＝1，且s-0＝s+0＝0时，DMU0为技术有效，否则为技术无效。
进一步地，步骤33中所述的规模效益评价模型中，DMU的规模效益表达式为：
Figure BDA0002910165540000071
规模效益变化趋势的计算公式为：
Figure BDA0002910165540000072
其中，s为DMU的个数，K为趋势值；
当K＝1时，规模收益不变；当K<1时，规模收益递增；当K>1时，规模收益递减。
本方法与现有技术相比，具有以下有益效果：
第一，本发明通过GRA-PCA，可以有效提取系统评估的主要指标，并降低输入向量的维度；
第二，通过LSSVM可以有效构建LEMED的效能预测模型，该模型相比于其他方法，准确率更高，计算时间更短；
第三，通过DEA模型，可以对LEMED方案的投入和产出进行调整，方法有效可行；
综上所述，本发明提出的方法在现有的电磁弹射装置的效能评估模型基础上，建立了基于GRA-PCA-LSSVM的快速计算模型，并验证了计算模型的合理性和优越性。同时基于DEA模型，对LEMED的方案进行了投资效率的分析。
附图说明
图1(a)为本发明中基于效能的评价模型建立图；
图1(b)为图1(a)中的“Effectiveness Evaluation Model”的具体实现方法图；
图2为实施例中指标相关性强度图；
图3为实施例中效能值训练集拟合图；
图4为实施例中效能值测试集拟合图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
本发明公开的一种基于效能的大型电磁弹射装置的评价方法，包括以下步骤：
步骤1：建立大型电磁弹射装置LEMED的效能评估模型；
步骤2：建立GRA-PCA-LSSVM的效能快速计算模型，利用该模型快速计算出步骤1所建立的模型评估的效能值；
步骤3：建立DEA模型对LEMED的投资效率进行评价；
步骤4：基于得到的效能和投资效率对LEMED设计系统进行评估。
下面对各步骤进行说明：
1、基于效能的系统评价模型
该模型建立的步骤和方法如附图1(a)和附图1(b)所示，其中，图1(a)中的效能评估模型已经在现有技术《An Improved Model for Effectiveness Evaluation ofMissile Electromagnetic Launch System》中公开过，具体如图1(b)所示，并在这里直接用作模型。
2、基于GRA-PCA-LSSVM的效能计算模型
对原有有效能评估模型过于复杂的问题，首先建立基于GRA-PCA-LSSVM的效能快速计算模型，便于直接从LEMED的设计方案中获得其效能值。
2.1GRA
在评价系统时，原有的评价指标太多，会导致信息的冗余和过程的复杂性。因此，有必要选择主要指标。GRA是灰色系统理论中的一种多因素统计分析方法，根据因素间变化趋势的相似程度来判断相关程度。GRA的步骤如下：
步骤1：确定LEMED系统中的父序列和子序列，父序列是反映系统行为特征的序列，子序列是影响系统行为特征的序列；
步骤2：对母序列和子序列分别进行无量纲处理，在分析过程中，不同的维度可能会导致结果的误差，一般采用均值化处理序列，来去除量纲；
步骤3：计算子序列和母序列对应的因子的关联系数，如公式(1)所示：
Figure BDA0002910165540000091
其中，m为子序列数；n为样本数；x0(k)为无量纲处理后母序列的第k个样本值；xi(k)为无量纲处理后第i个子序列的第k个样本值，ρ为分辨系数，反映区分度的大小，通常为0.5；
步骤4：根据得到的因子的关联系数，计算出子序列与母序列的关联度并对关联度进行排序，得到各子序列相对母序列的关联程度，如公式(2)所示：
Figure BDA0002910165540000101
2.2PCA
PCA是一种多元统计分析方法，它将多个相互关联的指标转化为几个综合指标。在多指标的研究中，由于指标之间往往存在一定的相关性，数据将与信息重叠，这对于高维研究来说更为复杂。PCA采用降维的方法，利用少量的综合因素来表示所有的原始指标，并要求尽可能地反映原始指标信息，且各因素之间互不相关，PCA的步骤如下：
步骤1：对原始数据进行标准化处理，消除因量纲和数量级的不同对分析结果造成影响；
步骤2：对处理后的样本矩阵进行相关性分析，得到相关系数矩阵，由相关系数矩阵可以看出各指标之间的相关性，如数值为1，表示完全相关(如指标自身)，一般是通过观察，判断各指标间存在普遍的相关性，根据相关性判断是否可以进行PCA；
步骤3：由相关系数矩阵，通过雅克比方法计算该矩阵的特征值和特征向量，得到特征值，即各主成分方差的方差，贡献率等于该成分的方差除以所有成分的方差之和；按特征值从大到小进行排序，累积贡献率即前n个主成分的贡献率之和；
步骤4：根据特征值的具体要求(如选取特征值大于1的成分)或者主成分的累积贡献率的具体要求选取主成分，完成PCA，且PCA结果的一般数学模型如式(3)所示：
Figure BDA0002910165540000111
其中，Zl是主要成分；Xn为标准化后的原始数据；aij是主成分系数。
2.3 LSSVM
最小二乘支持向量机(LSSVM)是支持向量机的一个扩展。LSSVM以二次损失函数为经验风险，用等式约束代替不等式约束，将模型的训练转化为线性方程组的计算，降低了计算复杂度。LSSVM模型的建立过程如下：
假设样本个数为n，xi为m维输入向量，yi是输出向量，构造最优线性回归函数为如下公式所示：
Figure BDA0002910165540000112
其中，ω是权重向量，b是偏移量；
Figure BDA0002910165540000113
是非线性映射；
根据结构风险最小化原则，目标函数(4)可以表示为式(5)：
Figure BDA0002910165540000114
其中，λ是正则化参数；ei是训练集的预测误差向量；
式(5)的约束条件为式(6)：
Figure BDA0002910165540000121
利用拉格朗日函数将问题转化为对偶空间，如式(7)所示：
Figure BDA0002910165540000122
其中，αi是拉格朗日乘子；
根据KKT条件可得式(8)：
Figure BDA0002910165540000123
消除式(8)中的ω和ei，得到公式(9)：
Figure BDA0002910165540000124
其中，
Figure BDA0002910165540000125
是核函数，一般取径向基核函数如式(10)：
Figure BDA0002910165540000126
其中，μ为核参数；
最后，得到LSSVM的预测模型为：
Figure BDA0002910165540000131
3、基于DEA模型的系统投资效率评价
DEA方法是用于评价具有相同类型的多投入、多产出的决策单元(DMU)相对有效性的一种非参数方法。
3.1总体有效性评价模型(CCR)
设共有s个DMU，每个决策单元DMU都有p输入和q输出，xk＝(x1k,x2k,…,xpk)T表示第k个DMU的输入向量，yk＝(x1k,x2k,…,xqk)T表示第k个DMU的输出向量，x0和y0表示被评价DMU0的输入和输出向量，模型表示为：
Figure BDA0002910165540000132
其中，s-s+为松弛变量；λk为一般变量；
为了简化计算，引入非阿基米德无穷小量ε，则公式(12)变为：
Figure BDA0002910165540000133
如果模型的最优解是λ*，s-*，s+*，θ*，则有：
(1)若θ*<1，则DMU0为非DEA有效，该方案既不满足技术效率最佳又不满足规模收益不变；
(2)若θ*＝1，且s-*和s+*至少有一个不为0，则DMU0为弱DE A有效，即不是同时技术有效和规模有效；
(3)若θ*＝1，且s-*＝s+*＝0，则DMU0为DEA有效，即同时满足技术有效和规模有效。
3.2技术有效性评价模型(BCC)
BCC模型是用来评价相对技术有效性。同样，可以得到如下计算模型：
Figure BDA0002910165540000141
如果模型的最优解是λ0，s-0，s+0，θ0，并且，当θ0＝1，且s-0＝s+0＝0时，DMU0为技术有效，否则为技术无效。
3.3规模效益评价模型
规模有效性是指验证决策单元是否处于最佳规模水平，并且可以判断其是处于规模递增、不变还是递减的状态。DMU的规模效率用
Figure BDA0002910165540000142
表示。规模收益变化趋势的计算公式为：
Figure BDA0002910165540000143
当K＝1时，规模收益不变；当K<1时，规模收益递增；当K>1时，规模收益递减。
实施例
1.基于GRA-PCA-LSSVM的效能计算
根据现有技术公开的内容可以得到LEMED的效能评估指标如表1所示。以及64套传统发射方法的样本数据如表2所示，每组数据包括18个评价指标和效能值。
表1 LEMED效能评估指标表
Figure BDA0002910165540000151
表2 LEMED的效能和指标数据表
Figure BDA0002910165540000152
Figure BDA0002910165540000161
由于指标数量多，现有技术的评价方法复杂，需要简化。首先，如表3所示，对样本数据进行统计描述，并制作指标相关强度图，如图2所示。图2的横坐标和纵坐标是指示数字，颜色表示相关强度，右侧是强度和颜色对比尺度。从图2可以看出，指标之间存在一定的相关性，因此可以考虑通过GRA-PCA来选择和降低指标的维度。
表3 LEMED原始数据的数理统计
Figure BDA0002910165540000162
Figure BDA0002910165540000171
根据公式(1)-(2)计算各指标与有效性的相关性，如表4所示。主要指标选取关联度>0.7的指标为主要指标，即U11，U12，U13，U15，U22，U24，U31，和U41。
表4各指标与效能的关联度
Figure BDA0002910165540000172
在完成GRA之后，为了进一步减少指标数量和简化模型，对选定的8个指标进行了PCA。计算出相关性系数矩阵如表5所示，并计算各主成分的方差贡献率如表6所示。
表5 PCA相关性系数矩阵
Figure BDA0002910165540000173
表6 PCA的方差贡献率
Figure BDA0002910165540000174
Figure BDA0002910165540000181
这里将累计贡献率>90％作为目标，因此需要提取6个主成分，得到6个主成分和8个主要指标的对应系数如表7所示。
表7主成分系数
Figure BDA0002910165540000182
根据表7和公式(3)，可以得到主成分的计算表达式如下：
Z1＝0.411U11-0.179U12+0.864U13-0.387U15+0.698U22-0.597U24+0.645U31-0.340U41
Z2＝0.285U11+0.024U12+0.182U13+0.704U15-0.449U22-0.234U24+0.521U31+0.471U41
Z3＝-0.250U11+0.848U12-0.016U13-0.027U15+0.128U22-0.483U24-0.105U31+0.153U41
Z4＝0.772U11+0.314U12-0.102U13-0.225U15+0.029U22+0.264U24-0.099U31+0.206U41
Z5＝0.121U11+0.325U12+0.029U13+0.237U15-0.244U22+0.163U24+0.133U31-0.754U41
Z6＝-0.262U11+0.168U12+0.102U13-0.356U15-0.185U22+0.344U24+0.453U31+0.136U41
(15)，
式中：U11，U12，U13，U15，U22，U24，U31，和U41表示标准化后的数据值。
根据式(15)可将表2转化为表8。
表8 LEMED效能和主成分数据表
Figure BDA0002910165540000183
Figure BDA0002910165540000191
将主成分作为输入，效能作为输出，进行回归拟合。根据公式(4)-(11)进行模型训练，并与PSOSVM和BP神经网络算法进行比较。选择85％的样本作为训练集，15％的样本作为测试集。训练集的拟合效果如图3所示，测试集的拟合效果如图4所示。
从图3和图4可以直观地得到LSSVM模型的效果优于PSOSVM和BP神经网络。为了得到具体的比较，计算训练集和测试集的均方误差(MSE)，如表9所示。
表9效果比较
Figure BDA0002910165540000192
从表9可以看出，使用LSSVM模型的训练和测试集的MSE均为最小，且运行时间最快。
根据获得的LEMED设计方案的各个指标值，通过预先训练的LSSVM模型得到效能值，如表10所示。
表10 LEMED的设计指标和效能值
Figure BDA0002910165540000201
2、基于DEA的投资效率分析
已知LEMED设计方案的全生命周期费用和各阶段费用。由表10中得到效能值，并计算效费比，如表11所示。
表11 LEMED费用效能数据
Figure BDA0002910165540000202
根据方程(12)-(14)计算LEMED的整体效率和纯技术效率，计算其规模效益和K值，如表12所示。
表12运用DEA模型计算结果
Figure BDA0002910165540000203
根据表12可以得出以下结论：
(1)从整体效率来看，方案1，3，4都是有效的，方案2，5效率值<1，存在可调整的空间；
(2)从纯技术效率来看，5个方案均处于较高水平；
(3)从规模收益来看，方案1,3,4不变，是最佳的投资规模水平，而方案2,5是递增的，需要进行调整。
因此，对LEMED设计方案进行成本调整，得到结果见表13所示。
表13 LEMED费用调整方案(亿元)
Figure BDA0002910165540000211
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管参照前述实施例对本发明专利进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于效能的大型电磁弹射装置的评价方法，其特征在于，包括以下步骤：
步骤1：建立大型电磁弹射装置LEMED的效能评估模型；
步骤2：建立GRA-PCA-LSSVM的效能快速计算模型，利用该模型快速计算出步骤1所建立的模型评估的效能值；
步骤3：建立DEA模型对LEMED的投资效率进行评价；
步骤4：基于得到的效能和投资效率对LEMED设计系统进行评估。
2.根据权利要求1所述的一种基于效能的大型电磁弹射装置的评价方法，其特征在于，步骤2所述的建立GRA-PCA-LSSVM的效能计算模型的步骤包括：
步骤21：对输入的评价指标进行GRA计算，选择主要指标；
步骤22：将选择出的主要指标进行PCA分析统计，将多个相互关联的指标转化为若干个综合指标，以降低维度；
步骤23：基于最小二乘支持向量机LSSVM，构建LSSVM的效能预测模型，用于求解出LEMED的效能值。
3.根据权利要求2所述的一种基于效能的大型电磁弹射装置的评价方法，其特征在于，步骤21的具体操作步骤包括：
步骤211：确定LEMED系统中的母序列和子序列；
步骤212：对母序列和子序列分别进行无量纲处理，并采用均值化处理序列，来去除量纲；
步骤213：计算子序列和母序列对应的因子的关联系数，其计算公式为：
Figure FDA0002910165530000021
其中，m为子序列数，n为样本数，x0(k)为无量纲处理后母序列的第k个样本值，xi(k)为无量纲处理后第i个子序列的第k个样本值，ρ为分辨系数且取值为0.5；
步骤214：根据得到的因子的关联系数，计算出子序列相对母序列的关联度并对关联度进行排序，且关联度的计算公式为：
Figure FDA0002910165530000022
4.根据权利要求1所述的一种基于效能的大型电磁弹射装置的评价方法，其特征在于，步骤22的具体操作步骤为：
步骤221：对输入的原数据进行规范化处理，得到样本矩阵；
步骤222：对处理后的样本矩阵进行相关分析，得到相关系数矩阵，通过相关系数矩阵来判断各指标之间的相关性，如果存在相关性，则进行PCA统计分析；
步骤223：根据相关系数矩阵，计算该矩阵的特征值和特征向量，得到特征值，即各主成分方差的方差，则贡献率为该成分的方差除以所有成分的方差之和，再将特征值按从大到小进行排序，前n个主成分的贡献率之和即为累积贡献率；
步骤224：根据特征值的具体要求或主成分的累积贡献率选择主成分，得到PCA结果，且得到的PCA结果的数学模型式为：
Figure FDA0002910165530000031
其中，Zl是主成分，Xn为标准化后的原始数据，aij是主成分系数。
5.根据权利要求4所述的一种基于效能的大型电磁弹射装置的评价方法，其特征在于，步骤23的具体操作步骤包括：
步骤231：设样本数为n，xi为m维输入向量，yi为输出向量，构造最优线性回归函数为：
Figure FDA0002910165530000032
其中，ω是权重向量，b是偏移量，
Figure FDA0002910165530000033
是非线性映射；
步骤232：根据结构风险最小化原则，将目标函数(4)改写为：
Figure FDA0002910165530000034
其中，λ为正则化参数，ei为训练集预测误差向量；
式(5)的约束条件式表示为：
Figure FDA0002910165530000035
步骤233：利用拉格朗日函数将式(6)变换到对偶空间，即：
Figure FDA0002910165530000036
其中，αi为拉格朗日乘子；
根据KKT条件可得：
Figure FDA0002910165530000041
消除式(8)中的ω和ei后可得：
Figure FDA0002910165530000042
其中，
Figure FDA0002910165530000043
是核函数，一般取径向基核函数为：
Figure FDA0002910165530000044
其中，μ为核参数；
步骤234：得出LSSVM的预测模型为：
Figure FDA0002910165530000045
6.根据权利要求1所述的一种基于效能的大型电磁弹射装置的评价方法，其特征在于，步骤3的具体操作步骤为：
步骤31：利用整体有效性评价模型CCR来评价LEMED是否满足技术有效和规模有效；
步骤32：利用技术有效性评价模型BCC评价相对技术有效性；
步骤33：利用规模效益评价模型来验证决策单元是否处于最佳规模水平，并且可以判断其是处于规模递增、不变还是递减的状态；
步骤34：根据得到的整体有效性、规模有效性和相对技术有效性来评价LEMED系统的投资效率。
7.根据权利要求6所述的一种基于效能的大型电磁弹射装置的评价方法，其特征在于，假设LEMED中有s个DMU，每个决策单元有p个输入和q个输出，xk＝(x1k,x2k,…,xpk)T表示第k个DMU的输入向量，yk＝(x1k,x2k,…,xqk)T表示第k个DMU的输出向量，x0和y0表示被评价DMU0的输入和输出向量，则步骤31中所述的CCR模型的表达式为：
Figure FDA0002910165530000051
其中，s-和s+为松弛变量，λk为一般变量，θ为整体效率；
引入非阿基米德无穷小量ε，则式(12)转化为：
Figure FDA0002910165530000052
若式(13)的最优解为λ*，s-*，s+*，θ*，则有：
i.若θ*<1，则DMU0既不满足技术效率最佳又不满足规模收益不变；
ii.若θ*＝1，且s-*和s+*至少有一个不为0，则DMU0为弱DEA有效，即不是同时技术有效和规模有效；
iii.若θ*＝1，且s-*＝s+*＝0，则DMU0为DEA有效，即同时满足技术有效和规模有效。
8.根据权利要求6所述的一种基于效能的大型电磁弹射装置的评价方法，其特征在于，步骤32中所述技术有效性评价模型BCC的计算式为：
Figure FDA0002910165530000061
其中，V为纯技术效率；
若模型的最优解为λ0，s-0，s+0，θ0，当θ0＝1，且s-0＝s+0＝0时，DMU0为技术有效，否则为技术无效。
9.根据权利要求6所述的一种基于效能的大型电磁弹射装置的评价方法，其特征在于，步骤33中所述的规模效益评价模型中，DMU的规模效益表达式为：
Figure FDA0002910165530000062
规模效益变化趋势的计算公式为：
Figure FDA0002910165530000063
其中，s为DMU的个数，K为趋势值；
当K＝1时，规模收益不变；当K<1时，规模收益递增；当K>1时，规模收益递减。
CN202110084101.1A 2021-01-21 2021-01-21 一种基于效能的大型电磁弹射装置的评价方法 Active CN112907032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110084101.1A CN112907032B (zh) 2021-01-21 2021-01-21 一种基于效能的大型电磁弹射装置的评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110084101.1A CN112907032B (zh) 2021-01-21 2021-01-21 一种基于效能的大型电磁弹射装置的评价方法

Publications (2)

Publication Number Publication Date
CN112907032A true CN112907032A (zh) 2021-06-04
CN112907032B CN112907032B (zh) 2024-06-11

Family

ID=76118203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110084101.1A Active CN112907032B (zh) 2021-01-21 2021-01-21 一种基于效能的大型电磁弹射装置的评价方法

Country Status (1)

Country Link
CN (1) CN112907032B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408040A (zh) * 2021-07-16 2021-09-17 中南大学 一种土木工程中的模拟数据修正方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956757A (zh) * 2016-04-27 2016-09-21 上海交通大学 基于ahp-pca法的智能电网可持续发展综合评价方法
CN109036466A (zh) * 2018-08-01 2018-12-18 太原理工大学 面向情感语音识别的情感维度pad预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956757A (zh) * 2016-04-27 2016-09-21 上海交通大学 基于ahp-pca法的智能电网可持续发展综合评价方法
CN109036466A (zh) * 2018-08-01 2018-12-18 太原理工大学 面向情感语音识别的情感维度pad预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LI, QIAOYANG: "Evaluation of missile electromagnetic launch system based on effectiveness", 《JOURNAL OF INTELLIGENT & FUZZY SYSTEMS》, pages 6517 - 6526 *
QIAOYANG LI: "Effectiveness Evaluation of Missile Electromagnetic Launch System Based on ADC Model Improved by EWM-FAHP-ICWGT", 《HINDAWI》 *
ZHU XING等: "A WD-GA-LSSVM model for rainfall-triggered landslide displacement prediction", 《JOURNAL OF MOUNTAIN SCIENCE》, pages 156 - 166 *
熊婵等: "基于DEA 方法的中国高科技创业企业运营效率研究", 《科学管理》, pages 26 - 37 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408040A (zh) * 2021-07-16 2021-09-17 中南大学 一种土木工程中的模拟数据修正方法及系统
CN113408040B (zh) * 2021-07-16 2022-06-17 中南大学 一种土木工程中的模拟数据修正方法及系统

Also Published As

Publication number Publication date
CN112907032B (zh) 2024-06-11

Similar Documents

Publication Publication Date Title
CN111709454B (zh) 一种基于最优copula模型的多风电场出力聚类评估方法
CN109492748B (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
CN113869145B (zh) 轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统
CN106778846A (zh) 一种基于支持向量机的风电场风速预测方法
CN114363195A (zh) 面向时间和频谱残差卷积网络的网络流量预测预警方法
CN116840720A (zh) 燃料电池剩余寿命预测方法
CN113807594A (zh) 一种基于ivmd-ssa-lssvm的电力负荷预测方法
CN115577639A (zh) 基于麻雀搜索法优化支持向量机的变压器故障诊断方法
CN112907032A (zh) 一种基于效能的大型电磁弹射装置的评价方法
CN116821832A (zh) 针对高压工商业用户用电负荷的异常数据辨识与修正方法
CN110142803B (zh) 一种移动焊接机器人系统工作状态检测方法及装置
CN117131687A (zh) 一种基于数据分析的电动汽车电池管理方法
CN115236522A (zh) 基于混合深度神经网络的储能电池端到端容量估计方法
CN112766727B (zh) 一种高端敏感用户电压暂降严重度评价方法
CN117743829A (zh) 一种基于深度学习的短期电力负荷量预测方法
CN111126645A (zh) 一种基于数据挖掘技术和改进支持向量机的风电预测算法
CN111091243A (zh) 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备
CN117877587A (zh) 一种全基因组预测模型的深度学习算法
CN116068435A (zh) 一种基于emd-gpr-rvm的液态金属电池容量预测方法及系统
CN112463643A (zh) 一种软件质量预测方法
CN113239626A (zh) 一种基于系统可靠性的传感器布局优化方法
CN113212244A (zh) 一种新能源车辆动力电池寿命预测方法及系统
CN118315003B (zh) 一种基于fahp-topsis的铸铝一体化发动机罩轻量化设计方法
CN112988529A (zh) 一种基于机器学习进行数据库系统性能预测的方法及系统
CN114741196B (zh) 一种云平台负载预测方法、装置及设备

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
GR01 Patent grant
GR01 Patent grant