基于改进支持向量回归机的天基信息系统效能评估

发布时间：2021-09-24 22:28

　　天基信息系统效能的评估对于一体化作战的现代战争具有重要意义。针对武器系统效能评估的影响因子复杂、样本数量少、非线性较强等特点,采用支持向量回归机算法,并引入布谷鸟搜索算法对支持向量回归机的3个参数进行优化选取。仿真实验结果表明,改进支持向量回归机与传统支持向量回归机、BP神经网络相比,具有更高的准确度,可以有效地对天基信息系统进行效能评估。 

【文章来源】：火力与指挥控制. 2020,45(07)北大核心CSCD

【文章页数】：5 页

【部分图文】：

所示，从结果可以看出，CS-SVR的R-square值已经超过了0.8，具有很好

预测输出结果对比

（总第45-）x1x2x310.250.3250.2720.250.3380.4430.330.3690.434610.9231x40.170.270.291x5x6x7x8效能值0.310.150.340.110.180.280.20.260.260.220.550.240.330.310.290.9210.9310.9840.330.4470.540.390.370.410.390.320.3250.50.4410.840.330.560.440.450.390.364510.8080.960.8810.910.840.940.96表1部分数据样本图2平均绝对误差对比图胡笛，等：基于改进支持向量回归机的天基信息系统效能评估信息系统的作战效能，笔者对相关研究院所及相关领域专家进行走访调研，通过作战系统仿真结合专家打分的方式，获得了46组原始样本。将这46组样本数据进行归一化处理后，随机选取40组样本作为训练样本，剩余的6组样本为测试样本，部分数据如表1所示。在仿真过程中，采用python编码，决策变量为CS-SVR中的着-不灵敏损失函数、损失参数C和径向基核函数参数滓，取值范围依次为（0，1），（0，10），（0，100）。布谷鸟算法的鸟巢数量n设置为30，发现概率Pa设置为0.25，迭代次数为100，适应度函数设置为平均均方误差，布谷鸟搜索算法寻优的结果着=0.1，滓=0.01，C=6.5。为了验证CS-SVR的评估模型的评估效果，将其与libsvm中默认参数的着-SVR和传统BP神经网络进行比较，神经网络的层数设置为3层，结构为8-10-1，学习速率为0.5。使用同样的训练样本和测试样本，分别对CS-SVR评估模型、默认参数支持向量回归机和BP神经网络进行训练与测试，得到的输出值和真实值的对比图如图1所示。图1预测输出结果对比为了更好地反映预测值误差的实际情况，分别计算了3个模型的平均绝对误差，平均绝对误差公式如下公式所示：（10）平均绝对误差对比图如


本文编号：3408553