ANFIS网络在舰船维修费用预测中的应用

利用自适应模糊推理系统(ANFIS)的模糊推理能力和学习功能相结合的优点,运用于舰船维修费用预测中.分析了影响维修费用的因素,采用变量投影重要性分析方法(VIP)对影响因素进行评估和筛选,使用ANFIS网络建立模型.通过实际算例进行分析,用历史数据训练ANFIS网络,预测舰船维修费用,在数据样本量小的情况下,较一般神经网络精度有明显提高.

偏最小二乘回归在舰船维修费用预测中的应用

考虑到偏最小二乘回归方法在处理小样本多元数据方面具有独特的优势,分析了影响舰船维修费用的因素,结合变量投影重要性分析方法对影响因素进行筛选,提出用偏最小二乘回归方法建立舰船维修费用预测模型。通过实例进行计算,用历史数据预测舰船维修费用,在数据样本量小的情况下,预测结果较多元回归方法精度高。

基于支持向量机的舰船维修费用组合预测研究

在费用预测中,利用单一模型往往存在着信息不足的缺陷。为了提高舰船维修费用的预测精度和稳定性,采用支持向量机(SVM)回归算法,把几种单一预测模型结果作为输入,实际值作为输出,然后用足够多的预测案例训练学习机器,在各组合的模型预测结果与实际之间得到一种非线性映射关系,从而建立了非线性组合预测模型。最后,以某型舰船维修费用为例,对指数平滑法、灰色预测和参数法3种方法的预测结果进行仿真,结果表明此法较传统的单一模型预测法具有更高的预测精度。

改进GM(1,1)模型在舰船维修费用预测中的应用

基于灰色系统理论,使用海军舰船维修费用历史数据建立初值修正的GM(1,1)模型,利用少量数据中的显信息和隐信息,避免复杂的相关关系,克服了原始数据的离散性,得到较高精度的拟合效果,并对海军舰船维修费用进行短期预测。将预测结果加入等维信息模型,对未来费用支出进行动态预测。结果表明:其精度优于传统模型。

粒子群优化算法在舰船维修费用分配中的应用

将舰船维修费用按照维修计划结构进行分解,通过回归分析方法,建立舰船维修总体效益与各项费用比例之间的分配优化模型,利用粒子群优化算法对模型最优化求解,计算实例具有较好的效果。

基于偏最小二乘法的BP网络在舰船维修费用预测中的应用

针对在建立多层前馈(BP)神经网络模型时,存在收敛速度慢、易陷入局部极小等问题,应用偏最小二乘法(PLS)得到的主成分数和主成分与自变量、因变量的权值对BP网络进行改进,并构建用于舰船维修费用预测的PLS-BP神经网络模型。实验结果表明,采用PLS-BP网络模型对舰船维修费用进行预测可以获得更高的精度。

基于案例推理的舰船计划维修费用预测方法

[目的]针对舰船维修费用精准预测的新要求,提出一种基于案例推理的舰船计划维修费用预测方法。[方法]首先,对各型舰船主要特征属性组成的特征向量及其维修费用进行案例表示;然后,采用基于加权欧氏距离的K近邻(KNN)算法进行案例检索,并引入粗糙集理论中属性重要度的概念;其次,将检索案例与目标案例之间的相似度作为调整系数,并结合组合预测思想进行案例修正;最后,将预测得到的最新案例增加至案例库中,不断积累案例库数据。[结果]该方法和线性回归预测法,径向基函数(RBF)神经网络法与某实船维修数据的对比结果表明,其预测平均相对误差分别为8.7%,10.4%,10.2%,验证了基于案例推理的预测方法的准确性和有效性。[结论]研究成果可为舰船维修费用计划的制定与拨付提供参考。