基于PSO_RBFNN和FAR模型的装备可用度预测方法及应用

摘要

阐述了装备可用度预测的重要性,并以此为需求牵引,构建了具有非线性、非平稳的装备可用度时间序列.基于奇异值分解滤波算法将其分解为尽量平滑的趋势成分和平稳的随机成分,分别应用粒子群训练的径向基神经网络和函数系数自回归模型进行预测,充分体现了2类模型各自的优势,使其相互补充,并进行实例分析,验证了模型和算法的有效性.实验与应用结果表明,该组合方法的预测性能和效果比单一使用RBF(radial basis function neural network)和FAR(functional-coefficient auto regressive model)进行预测更好,为装备可用度研究提供了一条新的思路.