基于FIG-SVR的姿控发动机推力校准斜率预测

为了对某型号姿控发动机高空模拟试验推力现场校准斜率进行趋势预测,提出了一种模糊信息粒化(fuzzy information granulation,FIG)和支持向量回归机(support vector regression,SVR)相结合的时间序列预测方法。借助模糊信息粒化方法将推力现场校准的斜率映射为包含区间最小值Low、中值R和最大值Up 3个参数的模糊信息粒,以降低样本的维数,并以其为输入构建SVR回归模型。预测结果表明,基于模糊信息粒化SVR确定的预测区间较好地反映了推力现场校准斜率的变化趋势。

基于小波变换的模糊信息粒化支持向量回归模型及其应用研究

本文将小波变换、模糊信息粒化、交叉验证以及支持向量回归等方法组合在一起,构建出基于小波变换的模糊信息粒化支持向量回归(WT-FIG-SVR)模型。首先,该模型通过小波变换对时间序列进行降噪处理,有效地改善了数据的不稳定和失真问题。然后,对模糊后的数据进行支持向量回归,并运用五折交叉验证方法隔点搜索最优参数,避免过度拟合的发生。由于数据处理中运用了模糊算法,新组合模型不仅可以对未来数据进行点估计,而且可以计算出未来的区间估计。通过对上证指数的实证分析,比较WT-FIG-SVR新模型与FIG-SVR原模型的预测效果,结果证明加入小波变换的新模型具有更强的预测能力,特别是在数据出现剧烈波动时,新模型对预测精度的提升更为明显。