基于主导因子法的装备维修保障人员调度值预测

doi:10.3724/SP.J.1087.2012.02364

计算机应用 ›› 2012, Vol. 32 ›› Issue (08): 2364-2368.DOI: 10.3724/SP.J.1087.2012.02364

基于主导因子法的装备维修保障人员调度值预测

单黎黎,张宏军,张睿,程恺,王之腾

解放军理工大学工程兵工程学院，南京 210007

收稿日期:2012-02-22 修回日期:2012-04-06 发布日期:2012-08-28 出版日期:2012-08-01
通讯作者: 单黎黎
作者简介:单黎黎(1981-)，女，江苏宿迁人，工程师，博士研究生，主要研究方向：装备维修保障信息化;
张宏军(1963-)，男，江苏姜堰人，教授，博士，主要研究方向：军事运筹;
张睿(1977-)，男，山东威海人，副教授，博士，主要研究方向：军事仿真、作战模拟;
程恺(1983-)，男，河南郑州人，博士研究生，主要研究方向：作战模拟、效能评估;
王之腾(1982-)，男，黑龙江依兰人，博士研究生，主要研究方向：面向对象服务技术。
基金资助:
国家自然科学基金资助项目(70971137)

Prediction on dispatching number of equipment maintenance people based on main factor method

SHAN Li-li,ZHANG Hong-jun,ZHANG Rui,CHENG Kai,WANG Zhi-teng

Engineering Institute of Engineer Corp，PLA University of Science and Technology，Nanjing Jiangsu 210007, China

Received:2012-02-22 Revised:2012-04-06 Online:2012-08-28 Published:2012-08-01
Contact: SHAN Li-li

摘要/Abstract

摘要： 为实现装备维修保障人员调度数量的准确简单预测，提出一种通用的支持向量机(SVM)输入变量特征的确定方法——主导因子法。该算法在定义了“主导因子”、“驱动因子”、“主动性行为”和“行为载体”等相关术语的基础上，通过“极大关联性”准则和“行为目的”法设置主动性行为预测变量的主导因子，然后根据该主导因子和“驱动因子设置法则”提炼出各驱动因子作为SVM输入变量的特征。实际应用及与其他方法比较后表明：将主导因子法确定的各装备维修保障人员调度值驱动因子作为SVM输入变量特征对相关值进行预测的平均相对误差低至0.0109，相对于其他特征确定方法具有更高的预测准确率。

关键词: 支持向量机, 回归预测, 输入向量特征, 装备维修保障, 人员调度

Abstract: In order to forecast the number of equipment maintenance people more easily and validly, a common approach of selecting the features of input vector in Support Vector Machine (SVM) named Main Factor Method (MFM) was proposed. The relevant terms of "main factor", "driving factor", "voluntary action" and "actions' carrier" were defined, based on which the theoretical MFM was constructed. Firstly, the predicting vector's main factor of voluntary actions was setup by "infinitely related principle" and "action purpose" method. Then the driving factors which can be looked as the characteristics of SVM input vector were refined through the selected main factor and "selecting principles of driving factors". The experimental results and comparison with other congeneric methods show that the proposed method can select the more accurate prediction with the value of relative average error 0.0109.

Key words: Support Vector Machine (SVM), regression prediction, input-vector features, equipment maintenance, people dispatching

中图分类号:

TP181

单黎黎张宏军张睿程恺王之腾. 基于主导因子法的装备维修保障人员调度值预测[J]. 计算机应用, 2012, 32(08): 2364-2368.

SHAN Li-li ZHANG Hong-jun ZHANG Rui CHENG Kai WANG Zhi-teng. Prediction on dispatching number of equipment maintenance people based on main factor method[J]. Journal of Computer Applications, 2012, 32(08): 2364-2368.

参考文献

[1]郝杰忠，杨建军，杨若鹏.装备技术保障运筹分析[M].北京：国防工业出版社，2006:23-24. [2]VAPNIK V N.The nature of statistical learning theory [M]. 2nd ed. New York: Springer-Verlag,1999. [3]CHALIMOURDA A, SCHLKOPF B, SMOLA A J. Experimentally optimal V in support vector regression for different noise and parameter settings [J].Neural Networks,2005,18(2):205-205. [4]SUN JUN, FENG BIN, XU WENBO. Particle swarm optimization with particles having quantum behavior [C]// CEC 2004: Proceedings of the Congress on Evolutionary Computation. Piscataway: IEEE, 2004, 1: 325-331. [5]SUYKENS J A K, van GESTEL T, de BRABANTER J, et al. Least squares support vector machines[M]. 3rd ed. Singapore：World Scientific Publishers，2003. [6]李仁兵，李艾华,李亮，等.支持向量机在导弹动力系统推力预测中的应用[J].系统仿真学报，2010，22(4):934-937. [7]CRISTIANINI N, SHAWE J. An introduction to support vector machines and other kernel -based learning methods[M]. 2nd ed. Cambridge,UK: Cambridge University Press, 2000. [8]白鹏，张喜斌，张斌.支持向量机理论及工程应用实例[M].4版.西安：西安电子科技大学出版社,2008:79-81. [9]杨俊燕，张优云，朱永生.ε不敏感损失函数支持向量机分类性能研究[J].西安交通大学学报，2007,41(11):1315-1320. [10]于青，赵辉.基于GA的ε-支持向量机参数优化研究[J].计算机工程与应用，2008,44(15):139-141. [11]孙祥，徐流美,吴清.Matlab7.0基础教程[M].3版.北京：清华大学出版社，2005:37-39. [12]LIBSVM—A library for support vector machines[EB/OL].［2010-08-20］. http://www.csie.ntu.edu.tw/～cjlin/ [13]IVAKHNENKO A G. Sorting methods for modeling and clustering (survey of the GMDH papers for the years 1983-1988) the present stage of GMDH development[J].Soviet Journal of Automation and Information Sciences, 1988, 21(4):1-13. [14]KIM D, SEO S-J, PARK G-T. Hybrid GMDH-type modeling for nonlinear systems: Synergism to intelligent identification [J].Advances in Engineering Software, 2009,40:1087-1094. [15]朱帮助，魏一鸣.基于GMDH-PSO-LSSVM的国际碳市场价格预测[J].系统工程理论与实践，2011,31(12):2264-2271. [16]邹昊飞, 夏国平, 杨方廷. 基于两阶段优化算法的神经网络预测模型[J].管理科学学报, 2006, 9(5): 28-35. [17]LEMKE F, MLLER J-A. Self-organizing data mining [J].Systems Analysis Modeling Simulation,2003,43(2):231-240. [18]HUANG C-L, WANG C-J. A GA-based feature selection and parameters optimization for support vector machines [J].Expert Systems with Applications,2006,31(2):231-240．

基于主导因子法的装备维修保障人员调度值预测

Prediction on dispatching number of equipment maintenance people based on main factor method

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	贾鹤鸣, 姜子超, 李瑶, 孙康健. 基于改进斑点鬣狗优化算法的同步优化特征选择[J]. 计算机应用, 2021, 41(5): 1290-1298.
[2]	袁芊芊, 邓洪敏, 王晓航. 基于超像素快速模糊C均值聚类与支持向量机的柑橘病虫害区域分割[J]. 计算机应用, 2021, 41(2): 563-570.
[3]	李凯, 李洁. 基于pinball损失的结构模糊多分类支持向量机算法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3104-3112.
[4]	陆荣秀, 陈明明, 杨辉, 朱建勇. 基于溶液图像时序特征的元素组分含量动态监测系统[J]. 计算机应用, 2021, 41(10): 3075-3081.
[5]	童林, 官铮. 改进鲸鱼优化支持向量机的交通流量模糊粒化预测[J]. 计算机应用, 2021, 41(10): 2919-2927.
[6]	张健铭, 施元昊, 徐正蓺, 魏建明. 基于误差预测的自适应UWB/PDR融合定位算法[J]. 计算机应用, 2020, 40(6): 1755-1762.
[7]	黄功, 赵永平, 谢云龙. 基于局部密度的加权一类支持向量机算法及其在涡轴发动机故障检测中的应用[J]. 计算机应用, 2020, 40(3): 917-924.
[8]	王杨, 赵红东. 基于改进粒子群优化的支持向量机与情景感知的人体活动识别[J]. 计算机应用, 2020, 40(3): 665-671.
[9]	赵一, 段兴, 谢仕义, 梁春林. 面向特定目标自识别的交通图像语义检索方法[J]. 计算机应用, 2020, 40(2): 553-560.
[10]	李卉, 杨志霞. 基于Rescaled Hinge损失函数的多子支持向量机[J]. 计算机应用, 2020, 40(11): 3139-3145.
[11]	牛晓可, 黄伊鑫, 徐华兴, 蒋震阳. 基于听皮层神经元感受野的强噪声环境下说话人识别[J]. 计算机应用, 2020, 40(10): 3034-3040.
[12]	白东颖, 易亚星, 王庆超, 余志勇. 面向概念漂移问题的渐进多核学习方法[J]. 计算机应用, 2019, 39(9): 2494-2498.
[13]	何海琳, 郑建彬, 余方利, 余烈, 詹恩奇. 基于改进鲸鱼优化算法的外骨骼机器人步态检测[J]. 计算机应用, 2019, 39(7): 1905-1911.
[14]	孔菁, 郭渊博, 刘春辉, 王一丰. 基于智能手机运动传感器的步态特征身份识别方法[J]. 计算机应用, 2019, 39(6): 1747-1752.
[15]	潘建国, 李豪. 基于实用拜占庭容错的物联网入侵检测方法[J]. 计算机应用, 2019, 39(6): 1742-1746.