基于SVM的装备费用估算

针对传统建模方法无法解决“小样本、高维度、非线性”类大型复杂装备系统装备的费用估算问题,提出基于支持向量机(support vector machine,SVM)的方法。针对SVM方法固有的缺陷进行优化改进。结果表明,该方法为装备全寿命费用估算做了有益探索。

相似信息优先的复杂装备费用测算模型

针对横截面数据的复杂装备费用预测问题,由于主要参数比较相似的装备系统其研制费用往往趋同,提出了横截面数据的"相似信息优先原理"。分析新研装备与以往装备的相似度,按照指标信息的相似度区分横截面信息的优先次序。用归一化的相似度作为加权最小二乘法的权重,通过实例建立相似信息优先的回归模型,并与其他方法的结果对比,结果表明本文的方法具有更高的预测精度,相似信息优先的多元回归模型充分反映了相似信息的规律。

用于复杂装备费用驱动因子筛选的灰色凸关联模型

针对复杂装备费用预测中样本少和费用影响因素繁多的问题,分析以往灰色关联度的缺陷,运用改进的灰色凸关联度建立费用影响因素与费用之间的灰色关联模型。依据灰色凸关联度的大小和接近程度筛选费用驱动因子,利用所选择的驱动因子建立多元回归模型。与已有文献中的方法进行对比,结果表明本文方法具有较高的预测精度,说明改进的灰色凸关联度模型能够诊断复杂装备费用的关键影响因素。

基于按费用设计的装备费用管理技术研究

基于装备研制特点及寿命周期费用控制要求,本文借鉴美军装备按费用设计流程,构建装备按费用设计的管理体系框架,分析了基于按费用设计的装备费用管理技术与方法,对推动按费用设计方法与技术体系的研究以及在装备研制中推行按费用设计具有重要意义。

装备费用估算工作管理研究

装备费用估算是装备全寿命费用管理的前提,然而费用估算不只是一项技术性活动,还需要辅以科学的管理才能有效实施。把装备费用估算作为一项系统工程,从技术管理的角度梳理每项工作,提出估算工作计划、估算工作实施及估算结果检验与评价的管理流程,重点探讨估算时机的选择、估算团队的建立原则以及估算方法的选择等问题。

复杂装备费用驱动因子识别的效应比重极大熵模型

针对复杂装备费用预测中样本少和费用影响因素繁多的问题,分析费用因素的驱动比重。综合考虑驱动比重的最大化和因素权重的不确定性,运用极大熵原理,建立多目标权重配置模型,并利用拉格朗日乘子法求解权重。依据因素权重大小和权重的接近度选择费用驱动因子,利用所选择的驱动因子建立多元回归模型。与已有文献中的方法对比,结果表明本文的方法具有较高的预测精度,说明基于驱动比重最大化的复杂装备费用驱动因子识别模型能够诊断费用的关键影响因素。

基于新信息优先主成分回归的多参数复杂装备费用预测

选择合适的费用驱动因子是装备参数费用建模的一个关键问题。本文基于灰色系统的"新信息优先原理"提出新信息优先的主成分回归模型,证明了新信息优先的主成分分析模型充分反映新信息的误差。通过实例建立新信息优先的主成分回归模型,并与BP神经网络方法、支持向量机方法的结果进行对比,结果表明本文的方法具有更高的预测精度。

武器装备寿命周期费用估算方法研究

概述了我国当前武器装备寿命周期费用估算常用方法的特点、适用范围,尤其是参数估算法建模过程中应用的各种理论与技术,包括回归分析法及其改进、神经网络、灰色系统及支持向量机等。这些常用方法使用上的相同难点之一是依赖于武器装备已发生的实际费用数据。相应地,文中重点分析了处于起步研究阶段的较新预测方法——成本预测法的内涵及其特点。

武器装备费用估算的一般程序

文章提出了我国武器装备费用估算过程的一般估算程序,主要内容包括:提出问题,制定目标;系统描述;明确假定和约束条件;选择费用估算方法,建立费用分解结构;选择已有类似装备或基准比较系统;收集和处理数据;建立费用模型并计算;分析评价;编写费用估算报告。

基于序贯决策的装备可靠性费用优化研究

将武器装备可靠性费用定义为全寿命周期内用于获取、提高装备可靠性而产生的费用,并将其进一步划分为可靠性工作费用和冗余费用两大部分。从效能与费用分析的角度考虑了可靠性费用的建模与优化问题,提出了一种基于序贯决策的武器装备可靠性费用整体建模与优化方法。

RS_SVM在装备维修费用预测中的应用

在分析粗糙集和支持向量机原理及各自的优缺点基础上,提出将粗糙集与支持向量机相结合的方法,构建了基于粗糙集与支持向量机(RS-SVM)的预测模型,并将该模型应用于装备维修费用预测。以某装备维修费用为例进行实例验证,计算结果表明,这种方法比其他方法有更好的预测精度。

灰色自记忆耦合模型在复杂装备费用测算中的应用

为了全面提高复杂装备费用的合理使用度,构建了复杂装备费用测算的灰色自记忆耦合模型,借助自记忆预测技术来提高其预测精度.模型通过有机耦合自记忆原理与传统灰色模型,综合了两者各自的优势.系统的自记忆方程包含多个时次初始场而不仅是单个时次初始场,从而克服了传统灰色预测模型对初值比较敏感的弱点.通过对复杂装备费用测算的两个案例分析,验证了该耦合模型由于充分挖掘了多时点系统历史资料,能够紧密捕获复杂系统的演化路径.三个误差分析指标综合验证了灰色自记忆耦合模型的可靠性和稳健性,以及较其他传统统计方法和灰色预测模型明显优越的预测能力.研究结果表明,所提出的灰色自记忆耦合模型丰富了装备费用测算方法,值得推广应用于其他类似的复杂装备费用测算问题.

基于BP神经网络的装备使用维修费用预测

在对装备使用维修费用分析的基础上,利用神经网络理论,建立了时间序列对象的反向传播(back-propagation,BP)预测模型,并应用于装备使用维修费用的预测研究,并通过对某型装备使用维修费用的预测分析,证实了本模型的科学性与正确性.

基于MSOA神经网络模型的装备保障费用预测

引入基于多步骤优化方法(MSOA)神经网络模型用以预测装备保障费用。实验结果表明,与传统的ARIMA时间序列模型和常规BP神经网络模型相比,基于MSOA神经网络预测模型具有更高预测精度。因此,该模型是一种更有效的装备保障费用预测模型。

基于聚类和模糊神经网络的装备维修费用预测

在对装备使用维修费用分析的基础上,利用聚类和模糊神经网络理论,建立了时间序列对象的预测模型,并应用于装备使用维修费用的预测研究,从而探讨了一条适合装备使用维修费用预测的新途径。通过对某型装备使用维修费用的预测分析,证实了本模型的科学性与正确性。

基于灰色关联协同效应权重配置的费用预测模型

费用预测是复杂装备成本管理的核心内容。在同类型复杂装备仅有少量样本信息的情况下,为提高估算预测精度,解决贫信息下费用影响要素筛选困难、要素间由于协同效应导致的权重分配不合理、费用预测误差较大等问题,提出了一种基于灰色关联协同效应贡献度分配的要素权重配置方法。首先通过灰色关联度分析筛选相似样本及费用关键影响要素;然后,依据各要素在协同效应下对灰色关联度提高的贡献程度大小,参考Shapley值思想计算各要素的灰色比较关联重要性,以此确定权重;最后,构建相应的异阶参数灰色分数阶预测模型,对目标装备进行费用预测。通过与已有文献中的方法进行对比,结果表明所提方法有较高的预测精度且具有一定的适用性,能够挖掘小样本下费用影响要素间的潜在信息,更可以合理地分配要素权重,提高费用预测精度。

基于遗传算法的装备使用保障费用灰色组合预测

针对目前对武器装备寿命周期费用估算建模难以实施的情况,以准确预测武器装备寿命周期费用的主要组成部分—装备使用保障费用为出发点,依据装备使用保障费用的特点建立了装备使用保障费用的灰色组合预测模型,指出了用蚁群算法优化组合权系数的不足,并提出了新的优化方法—遗传算法。最后,结合实例验证说明了该模型的预测效果优于蚁群优化的方法,为准确估算武器装备寿命周期费用提供了依据。

现行军品定价机制对装备费用的影响

现行军品价格定价机制,与装备采购制度改革和国防科技工业改革要求还不相适应,没有完全体现全寿命周期费用,没有真正反映价值规律和发挥经济杠杆作用。全面推进军品价格工作改革,应建立寿命周期价格机制、目标价格生成机制、过程成本监控机制和激励约束定价机制,通过实行集中统一管理,推进数据管理信息化,发挥军事代表作用,保护国防知识产权等措施,不断提高装备建设质量和效益。

基于神经网络的武器装备维修费用灰色预测

针对武器装备维修费用影响因素多,各因素之间关系复杂,难以把握的特点,文章将该预测视为灰色系统并建立GM(1,1)预测模型,通过BP神经网络挖掘预测值同预测残差之间的关系,进一步提高灰色预测模型的精确度.

改进BP网络在装备维修费用预测中的应用

提出了一种BP神经网络理论的改进算法,在此基础上建立了时间序列对象的预测模型,根据预测模型,对某型装备使用维修费用进行预测,并与实际使用维修费用进行了对比。结果表明此模型准确,并具有应用泛化能力,该算法为费用预测提供了一条新途径。