基于灰色特征加权支持向量机的火炮质量评估

火炮身管性能状态的灰色聚类评估方法
孟翔飞;王昌明;何博侠;陆建山;胡伟伟
【期刊名称】《测试技术学报》
【年(卷),期】2013(027)003
【摘要】身管是火炮武器的重要部分,其性能状态决定了火炮的使用寿命.身管从开始使用到报废是一个逐渐的过程,目前多以身管寿命作为评价身管性能状态的指标,很少有对身管性能状态的细化分级.而正确评估身管当前的性能状态,就显得极为重要,这将极大地提高火炮武器的使用效率.运用灰色系统理论,建立灰色聚类评估模型,通过分析火炮身管性能状态的各种评估指标,综合评价火炮身管的性能状态,对战时作战协调具有明显的指导意义.
【总页数】5页(P190-194)
【作者】孟翔飞;王昌明;何博侠;陆建山;胡伟伟
【作者单位】南京理工大学机械工程学院,江苏南京,210094;常熟理工学院电气与自动化工程学院,江苏常熟,215500;南京理工大学机械工程学院,江苏南京,210094;南京理工大学机械工程学院,江苏南京,210094;南京理工大学机械工程学院,江苏南京,210094;南京理工大学机械工程学院,江苏南京,210094
【正文语种】中文
【中图分类】TJ302
【相关文献】
1.基于可靠性和发电性能的新能源发电设备状态评估方法 [J], 白恺;宋鹏;刁嘉;李智;张扬帆;杨伟新;董超
2.复合绝缘子运行状态和老化性能评估方法研究 [J], 惠华;王森;杨博;高峰
3.基于状态分析的电子系统抗辐射性能评估方法 [J], 韩峰;刘钰;王斌
4.机电装备性能退化建模与健康状态评估方法 [J], 邓超;王远航;吴军;夏爽;陶志奎
5.液体火箭发动机故障状态性能评估方法 [J], 梁艳迁;董宇峰;郝钏钏;吴佳林;梁建国;张众
因版权原因，仅展示原文概要，查看原文内容请购买。

基于灰色聚类分析法的武器装备试验保密管理工作评估
姚宏林;王宇;张建伟;吴忠望;阎慧
【期刊名称】《装备学院学报》
【年(卷),期】2010(021)001
【摘要】为保障国家安全与利益,避免发生武器装备试验泄密事件,须开展各项武器装备试验保密管理工作.通过构建试验保密管理工作评估指标体系,利用层次分析法(analytic hierarchy process,AHP)给出各指标的权重,基于灰色聚类分析法对武器装备试验单位的保密管理工作进行对比评估,为提高武器装备试验保密管理工作水平和效能提供参考.
【总页数】4页(P110-113)
【作者】姚宏林;王宇;张建伟;吴忠望;阎慧
【作者单位】装备指挥技术学院,基础部,北京,101416;装备指挥技术学院,信息装备系,北京,101416;装备指挥技术学院,信息装备系,北京,101416;装备指挥技术学院,信息装备系,北京,101416;装备指挥技术学院,信息装备系,北京,101416
【正文语种】中文
【中图分类】E227;E252
【相关文献】
1.基于全寿命费用分析法的武器装备管理研究 [J], 王兆飞;贺拥亮
2.基于层次分析法的人事档案保密管理评价指标体系构建 [J], 郭萍;朱华炳;曹蓉
3.基于灰色聚类分析法的城乡公交运营质量评价 [J], 单晓霖;焦朋朋
4.基于灰色聚类分析法的城乡公交运营质量评价 [J], 单晓霖;焦朋朋
5.基于层次分析法的人事档案保密管理评价指标体系构建 [J], 郭萍;朱华炳;曹蓉因版权原因，仅展示原文概要，查看原文内容请购买。

基于层次灰色理论的装甲装备效能评估卜新旺;梁永刚【摘要】效能评估在军事上有着广泛的应用.军事武器装备的效能评估,是对装备单项、系统及作战效能的定性或定量表达,是对其各种效能的权威评估.层次灰色评估模型凭借专家意见的支持,以定性分析为基础,将定量的计算和处理引入评估方法,使之成为一种有效的综合评级方式,能够得到科学的目标权重,实现对目标的有效评估.本文以装甲坦克效能评价指标体系为例,运用层次灰色理论对其进行合理评估,为装备的效能评估研究提供有力的理论支撑.【期刊名称】《价值工程》【年(卷),期】2017(000)017【总页数】4页(P161-164)【关键词】层次灰色;装甲装备;效能评估【作者】卜新旺;梁永刚【作者单位】装甲兵工程学院,北京100072;装甲兵学院,蚌埠233000【正文语种】中文【中图分类】F224根据GJB1364-92对军事装备效能的定义，效能就是一个系统能够达到一项特定任务需求程度的能力（度量）；或者说是系统在规定的条件下达到规定的要求的能力。

“规定的条件”指的是环境、时间、人员、使用方法等因素；“规定的要求”指的是完成任务需要达到的目标；“能力”则指的是完成任务的定量或定性程度。

在武器装备效能研究方面，我国相对国外开展较晚，但是上世纪81年代后也得到了长足的发展。

军事装备的效能评估，是对装备本身的单项、系统以及作战效能进行科学、准确的评价，获得有关效能的定性或定量化的准确表述。

对武器装备建立效能评估指标体系的建立进行准确估计，并根据实际需求选择最优方法，建立模型开展效能评估，基于分析结果，最终提出具有实际意义的建议。

装备效能的评估方法有很多种，比如文献2中，运用模糊综合评判法参照其他评估对象的评估记过来确定评估等级，但这种方法缺点在于不能给出具有明确意义的定量评估结果，需要通过实践进行反复修正，才能得到具体问题的相关隶属函数；文献[3-4]中分别用ADC法、SEA法进行系统效能的分析，虽然贴近效能评估的含义，但是缺乏可操纵性，细节表现能力差，对复杂因素之间的联系及其对系统效能影响的反映是片面。

坦克炮火力威力评价的多指标灰色关联决策模型
尹健;冯乐东;王忠义
【期刊名称】《指挥控制与仿真》
【年(卷),期】2009(031)003
【摘要】为了对坦克炮火力威力进行评估,提出一种新的解决方法.针对坦克炮火力威力评价中需要进行多属性、多指标决策的特点,利用在"奖优罚劣"原则基础上建立的[-1,1]线性变换算子,寻求决策方案的正、负理想方案,计算评价方案与正、负理想方案的关联度,建立了坦克炮火力威力评价的灰色关联度决策模型.计算实例的结果表明,该模型计算简捷、分辨程度较高、稳定性也好,可应用于坦克炮火力威力评价.
【总页数】3页(P65-67)
【作者】尹健;冯乐东;王忠义
【作者单位】蚌埠坦克学院,安徽,蚌埠,233050;蚌埠坦克学院,安徽,蚌埠,233050;蚌埠坦克学院,安徽,蚌埠,233050
【正文语种】中文
【中图分类】TP303.3
【相关文献】
1.航道网综合评价的多指标灰色关联决策模型 [J], 张亦飞;王恕
2.坦克火力运用决策模型 [J], 张伟丰;袁兴萍;刘焕章
3.基于BP神经网络的坦克炮火力威力评价模型 [J], 王永彬;徐大杰;侯胜高
4.坦克分队最优火力分配的决策模型 [J], 于振冰;徐大杰;郁军
5.轮式自行大威力反坦克炮发展研讨会在京召开 [J], 杨天荣;李济民
因版权原因，仅展示原文概要，查看原文内容请购买。

基于灰色特征加权支持向量机的火炮质量评估胡胜海;何蕾;徐鹏;杨奇;金锦花【摘要】针对火炮质量评估中现场数据少,传统评估方法过多地依赖人的主观因素的问题,提出了一种基于灰色特征加权支持向量机(GFWSVM)的火炮质量评估方法.针对评估因素重要度的不同,引入特征加权的概念.采用灰色关联分析求取因素特征权重,避免了评估结果被一些弱相关因素所支配.通过对火炮质量评估实例仿真计算,表明该方法评价结果可靠,可操作性强,说明了该方法的有效性.【期刊名称】《应用科技》【年(卷),期】2011(038)001【总页数】5页(P21-25)【关键词】支持向量机;特征加权;灰色关联分析;质量评估;火炮【作者】胡胜海;何蕾;徐鹏;杨奇;金锦花【作者单位】哈尔滨工程大学,信息与通信工程学院,黑龙江,哈尔滨,150001;哈尔滨工程大学,信息与通信工程学院,黑龙江,哈尔滨,150001;哈尔滨工程大学,信息与通信工程学院,黑龙江,哈尔滨,150001;哈尔滨工程大学,信息与通信工程学院,黑龙江,哈尔滨,150001;哈尔滨工程大学,信息与通信工程学院,黑龙江,哈尔滨,150001【正文语种】中文【中图分类】TH12火炮是我军装备的主要火力压制力量，对火炮质量进行科学、合理的评估有着重要意义.火炮是一个复杂的武器系统，受试验费用和周期的影响，用于火炮质量评估的现场数据很少，给评估工作带来了困难.传统评估方法，如模糊综合评判法，过多地依赖于专家经验和主观因素，减小了评估的准确性［1］.支持向量机（support vectormachine，SVM）是一种基于统计学理论的新的数据挖掘技术，具有严格的数学理论基础.它最初在模式识别和人工智能领域提出，目前已推广到多属性决策和评估等领域［2－5］.文中将SVM引入火炮质量综合评估.利用支持向量机的数据挖掘能力和小样本学习的特点，在有限的历史数据中寻找评估规则的客观规律.针对评价因素重要度的不同，引入特征加权的概念，使得评价模型更加准确.为寻找一种较为客观的权重确定方法，文中采用灰色关联分析方法，减小了权重确定中主观因素的影响，使决策更加合理和科学.1 多因素评估系统描述多因素评估问题可表示为式中:U{u1，u2，…，un}是评估因素集;y是评估值;ER（estimate rule）是评估规则.可以看出，多因素评估是以一定的评估规则ER，将指标集U映射到评价值y的过程.映射的输入单元是被评估对象在评估因素下的属性值U{u1，u2，…，un}，输出是被评估对象的评价y.对于U到y之间可认为存在某一非线性映射F，使2 评价规则建立2.1 支持向量机评价规则建立将支持向量机理论用于多因素评价，是利用了其函数回归能力对评价规则F（·）进行拟合.支持向量机基于VC维理论和结构风险最小化原则，有效解决了模型推广能力问题，避免了维数灾难.从本质上看，支持向量机是基于结构风险最小化原则，根据有限样本信息，在模型的复杂度和学习能力之间寻求最佳的折中，以取得最好的泛化能力［6－8］.应用SVM对非线性系统进行回归估计，不需要事先对函数关系进行任何假设.利用这一特性，采用SVM来拟合评估规则，使得SVM用于多因素评估成为可能.由于支持向量机固有的泛化能力，所得模型有较好的推广能力.基于支持向量机的评价规则模型如图1所示.图1 基于支持向量机评估规则模型设给定训练样本集为（Xi，yi）（i=1，…，l），其中Xi∈Rn为输入数据，yi∈R 为对应的输出数据，l为样本数.支持向量回归机的目的是在训练集中寻找Xi与 yi 之间的客观规律，确定一个函数f（X，ω）=（ω·φ（X））+b 来逼近未知的函数F（·），使得损失函数最小.其中，φ（·）为输入空间到特征空间的映射.这里选择ε－intensive函数:式中:ω为待辨识参数，ε为给定精度.在允许存在拟合误差的情况下，引入松弛因子，从而支持向量回归机可以等价于如下的最优化问题:式中:C为惩罚系数.由拉格朗日乘子法推导出其对偶问题为式中:αi和α*i是拉格朗日乘子向量，K（Xi，Xj）为满足Mercer条件原空间的核函数，取代高维特征空间的点积运算.由上述理论可得到非线性回归的回归方程:2.2 特征加权支持向量机构造标准SVM没有对特征重要程度加以区别，而火炮质量评估中，各因素特征对评估结果的重要程度不同，应加以区分.文献［9－12］研究了特征加权对机器学习性能的影响，这些文献均是用特征权重向量扩充标准的欧氏距离.文献［13］将特征加权的概念引入SVM，表明特征加权支持向量机（FSVM）比普通SVM具有更好的性能，减小了一些弱相关特征的影响，更好地反映了数据中蕴含的客观规律.为方便说明，这里先给出特征加权核函数的定义.定义1 令K（ui，uj）是定义在上U×U上的核函数，URm，W是给定输入空间的m×m维矩阵，式中:m是输入空间的维数.特征加权核函数Kf定义为W称为特征加权矩阵.wi∈（0，1），（i=1，…，m）是各个特征的权重.wi取值不同意味着输入空间中的轴将依据wi的大小而拉伸或收缩.可以看出，W的作用是通过缩放输入空间的几何形状，进而缩放特征空间的几何形状，从而影响到回归函数的选择.这一点文献［13］给出了详细的证明过程.这里核函数选用使用广泛、性能好的Gauss核函数加权后的Gauss核函数变为2.3 灰色关联分析确定权重系数特征权重的计算是特征相关分析的重要内容.特征权重的计算方法很多，常用的有信息增益、开方检验等.文献［13］针对分类支持向量机，应用信息增益确定权重系数.火炮评估中用到的是回归性支持向量机，因而不适用.火炮质量评估中，现场数据少，没有足够的信息和资料，具有一定的灰色性;因此，这里采用灰色关联度分析确定特征权重系数.灰色关联分析的基本思想是对系统数据序列的相似程度进行比较分析，以相似程度大小作为关联程度的衡量尺度.灰色关联分析按如下步骤进行计算.1）参考序列选取.选取评价值向量 Y{y1，y2，…，ym}为参考向量，分析各评价指标对评价值的关联度.2）原始数据无量纲化处理.如表1所示，向量U{u1，u2，…，um}是因素集，向量 X{x1，x2，…，xn}是样本集，Y是评价值.ai（k）是第k个样本在第i个因素下的属性值.为了消除指标之间量纲的差异，对其中的元素进行无量纲化处理，无量纲化后的数据如表2所示.对效益型指标，无量纲化公式为对与成本型指标，无量纲化公式为对于特定型指标，无量纲化公式为式中:ai（k）为原始数据，a*i（k）为无量纲化后的数据，b为特定型指标的理想值.表1 原始数据样本u1 u2… um Y X1 a1（1）a2（1）…am（1）y1 X2 a1（2）a2（2）…am（2）y2……………Xn a1（n）a2（n）…am（n）yn表2 无量纲数据样本u1 u2… um Y X1 a1*（1）a2*（1）…am*（1） y1*X2a1*（2）a2*（2）…am*（2）y2*……………Xn a1*（n）a2*（2）…am*（n）yn*3）计算关联系数.据表2数据求出指标ui对参考数列Y在yk上的关联系数为［14］式中:ρ为分辨系数，ρ∈（0，1），它的作用是提高关联系数之间的差异显著性，通常取ρ=0.5.4）计算关联度.由关联系数可得，因素ui对评价值的关联度为将γ =（γ1，γ2，…，γm）归一化.由此，可确定加权支持向量机的特征权矩阵W=diag（w1，w2，…，wm）.特征权系数反映了评价指标对评价值的重要程度.3 评估模型的算法步骤灰色特征加权支持向量机（GFWSVM）的构造步骤如下:1）确定评估因素U.2）收集数据集 D，D= ＜ Ui，yi＞，式中，Ui= ＜ u1，u2，…，um ＞为第i 个样本评估因素集，yk为对应的评价值.3）根据式（2）～（5）将数据集D无量纲化处理，并根据式（5）～（7）计算因素ui对评价值的关联度ωi，得到特征权矩阵W.4）将W代入式（1），计算加权Gauss核函数，利用样本数据训练SVM，获得GFWSVM评估规则模型.5）对获得的GFWSVM评估规则模型进行性能评估.4 实例仿真实验将GFWSVM应用到火炮质量评估中，评估过程按以下步骤进行.1）确定评估因素U.从能够反映火炮性能的角度去考虑，参考文献［15］选取能够反映火炮质量的6个因素来对火炮的整体质量状况进行评估.其评估因素集为式中:u1——炮口动量金属利用系数，N·s·kg－1;u2——炮口初始扰动，rad;u3——火炮跳高，cm;u4——缓冲效率，N·s·mm－1;u5——平均复进速率，m·s－1;u6——炮口动量示性系数，N·s·cm－3.2）地面火炮装备时间比较长，装备量大，数据资料相对丰富.参照文献［15］获得因素集Us和评价值y，构成数据集D，评价值采用层次分析法获得如表3所示.定义火炮质量评估值在0.9～1之间为优，0.8 ～0.9 之间为良，0.7 ～0.8 之间为中，0.6 ～0.7 之间为较差，0.6 以下为差.表3 历史样本数据学习样本 u1 u2 u3 u4 u5 u6评价值等级样本 1 5.50 0.010 1.0 41 0.150 403 0.98优样本 2 5.20 0.010 3.0 32 0.070 325 0.95 优样本 34.80 0.015 3.2 22 0.040 287 0.93 优样本 4 4.10 0.020 4.5 20 0.510 287 0.90优样本 5 3.70 0.025 4.9 37 0.610 322 0.88 良样本 6 3.52 0.027 5.7 45 0.690 316 0.86 良样本 7 3.31 0.032 6.4 26 0.420 330 0.83 良样本 8 3.08 0.038 7.640 0.900 321 0.81 良样本 9 3.00 0.041 8.1 23 1.200 301 0.79 中样本 10 2.81 0.045 8.5 42 0.680 235 0.76 中样本 11 2.59 0.052 9.4 24 1.940 285 0.74 中样本 12 2.23 0.061 11.2 36 1.560 382 0.72 中样本 13 2.02 0.061 12.3 30 1.620 206 0.67 较差样本 14 1.76 0.065 13.5 21 1.950 195 0.66 较差样本 15 1.720.073 14.7 22 2.560 213` 0.64 较差样本 16 1.43 0.078 15.0 26 2.410 235 0.61较差样本 17 1.21 0.086 15.0 23 2.340 232 0.59 差样本 18 1.07 0.091 15.8 29 2.450 194 0.52 差样本 19 0.66 0.1000 16.3 25 2.130 231 0.45 差样本 20 0.31 0.17 18.1 21 1.760 281 0.36差3）火炮评估因素集U中，u1、u4、u6属于效益型指标，u2、u3、u5属于成本性指标，不存在特定型指标.按照因素的不同类型，代入相应的公式进行无量纲化，并由灰色关联分析法求取加权矩阵W.W diag（0.269.0.258，0.174，0.112，0.097，0.091）.4）由W计算加权Gauss核函数，并采用MATLAB下的LIBSVM工具箱进行训练.选取其中的15个作为训练样本，其余的作为测试样本.为使检验具有普遍性，应使测试样本具有代表性.本试验中选取样本3、样本7、样本11、样本15、样本19作为测试样本.选用ε－SVR支持向量机，取ε=0.01，通过网格搜索，确定最佳参数为:C=150，v=0.04.5）用测试样本对训练所得评估模型进行校验.输入测试样本得均方差为0.000 4，平方相关系数（squared correlation coefficient）为 0.967.模型测试结果如表4所示.表4 模型测试结果样本预测值评估等级实际值实际等级测试优正确X7 0.843良 0.830 良正确X11 0.769 中 0.740 中正确X15 0.587 差 0.640 较差错误X19 0.579 差 0.450结果X3 0.905 优 0.930差正确由表4可以看出，模型很好地反映了客观的评估规则，推广能力良好.用训练好并经过检验的GFWSVM模型对火炮质量进行评估.假设某门火炮的各个因素的值为:U={2.5，0.008，6，23，1.5，330}.输入 GFWSVM模型，得到评估结果为0.8328，表明火炮状态良好.文献［15］用模糊综合评判所得结果为珟B= 珟Ao珟R=（0.612，0.950，2，0.911，0.651，0.473），表明火炮处于良好状态和中等状态的概率比较大.通过对比可以看出GFWSVM方法的有效性.5 结束语依据火炮质量评估的特点分析了传统评估方法的不足，提出了基于灰色特征加权支持向量机的质量评估方法.针对不同因素对评价结果重要度的不同，采用灰色关联分析法确定各因素权重，建立火炮质量的评估模型.通过实例仿真计算，说明了评估结果的有效性.该方法为火炮评估提供了一种科学、有效的工具，评价过程减小了主观因素的影响，避免了评价结果被一些弱相关的特征所支配，操作过程简单易行，推广能力好.该方法不仅能用于火炮质量评估，还可以推广到其他武器装备的评估中去.参考文献:［1］李玉兰，周彦江，尹国举.模糊综合评判在战斗损伤评估中的应用［J］.军械工程学院学报，2005，17（2）:42-45.［2］王强，沈永平，陈英武.多属性决策的支持向量机方法［J］.系统工程理论与实践，2006，（6）:54-58.［3］王强，沈永平，陈英武.基于支持向量机的智能决策方法［J］.系统工程，2005，23（10）:111-116.［4］孙华丽，谢剑英，薛耀锋.基于支持向量机的机械传动方案决策模型［J］.上海交通大学学报，2005，39（6）:975-978.［5］郭齐胜，袁益民，郅志刚.军事装备效能及其评估方法研究［J］.装甲兵工程学院学报，2004，18（1）:1-8.［6］方瑞明.支持向量机理论及其应用分析［M］.北京:中国电力出版社，2007. ［7］VAPNIK V.The nature of statistical learning theory［M］.New York:Springer Verlag，1995.［8］CRISTIANINI N，SHAWE-TAYLOR J.An introduction to support vectormachines and other kernel-based learning methods［M］.Cambridge:Cambridge University Press，2000:47-98.［9］ZHAN Yan，CHEN Hao，HANG Guochun.An optimization algorithm of K-NN classifier［C］//Proceedings of the Fifth International Conference on Machine Learning and Cybernetics.Dalian，China，2006:2246-2251. ［10］ WANG Xizhao，WANG Yadong，WANG Lijuan.Improving fuzzy c-means clustering based on feature-weight learning［J］.Pattern Recognition Letters，2004，25（10）:1123-1132.［11］李洁，高新波，焦李成.基于特征加权的模糊聚类新算法［J］.电子学报，2006，34（1）:89-92.［12］KEERTHISS，LIN C J.Asymptotic behaviors of support vectormachines with Gaussian kernel［J］.Neural Computation，2003，15（7）:1667-1689.［13］汪廷华，田盛丰，黄厚宽.特征加权支持向量机［J］.电子与信息学报，2009，31（3）:514-518.［14］邓聚龙.灰色系统理论教程［M］.武汉:华中理工大学出版社，1990. ［15］邓辉咏，马吉胜，王炎，等.基于模糊综合评判的火炮质量评估［J］.火炮发射与控制学报，2008，（1）:20-34.。

基于灰色支持向量机的新型预测模型
唐万梅
【期刊名称】《系统工程学报》
【年(卷),期】2006(021)004
【摘要】分析了灰色预测方法和支持向量机各自的优缺点,提出了将二者相结合的一种新的预测模型--灰色支持向量机预测模型.新模型发挥了灰色预测方法中"累加生成"的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,同时避免了灰色预测方法及模型存在的理论缺陷.实验结果表明文章所提出的预测模型有效可靠,为提高预测精度提供了新的途径.
【总页数】4页(P410-413)
【作者】唐万梅
【作者单位】内蒙古大学数学系,内蒙古,呼和浩特,010021;重庆师范大学数学与计算机科学学院, 重庆 400047
【正文语种】中文
【中图分类】TP18;N941.5
【相关文献】
1.基于灰色模型和支持向量机的组合预测模型 [J], 刘齐林;曾玲;曾祥艳
2.基于灰色关联支持向量机的磨削尺寸精度预测模型研究 [J], 职占新;郑鹏;刘栋梁
3.基于灰色支持向量机的输电线路覆冰厚度预测模型 [J], 马小敏;高剑;吴驰;何锐;龚奕宇;李熠;吴天宝
4.基于灰色支持向量机的网络舆情预测模型 [J], 曾振东
5.基于灰色理论与支持向量机组合的旅游数据预测模型研究 [J], 韩燕丽;刘太安;高建新
因版权原因，仅展示原文概要，查看原文内容请购买。