军队油料消耗预测策略研究

首先对纷繁复杂的科学预测方法进行归纳，详细分析了其中具有代表性的七种预测方法，并总结了每种方法的特点和适用条件，进而提出了军队油料消耗预测方法选取原则，最后提出了军队油料消耗预测策略，为建设油料管理专家系统提供基础性探索和研究。     

基于灰色预测理论的油料消耗预测优化

本文运用灰色预测理论建立了油料需求灰色预测模型，并以某部队8年的油料消耗量为例，对2012年油料消耗量进行了预测，与真实数据相比，精度高误差小，在此基础上，预测了该部队2013年油料需求量，为提高部队油料保障质量提供了理论借鉴。     

基于支持向量机的供应链绩效评价研究

正确客观地对供应链进行绩效评价首先必须建立综合全面的评价指标体系。将供应链的输出与指标进行对比，作为改进和完善的依据。供应链绩效评价指标体系的选择与建立是一个复杂的过程，而且建立一个综合全面的指标体系也是非常困难的，但是指标体系的建立将直接影响供应链绩效评价的效果。     

基于支持向量机的车牌字符识别

作者将支持向量机SVM方法用于车牌字符的识别.算法首先采用Gabor变换和外围轮廓结构特征提取的方法提取车牌字符图像的特征参数,然后采用提取的特征训练SVM分类器,再应用SVM分类器分类和判别车牌字符.实验表明这种方法具有良好的车牌识别效果,较强的鲁棒性,较大的应用价值.     

基于灰色神经网络融合算法的油料消耗量预测研究

后方油库油料消耗量指的是在油料供应过程中．以调拨、转供或代供的形式从本油库发出的油料数量,消耗量的科学预测是油料供应管理过程中重要的一环。本文通过对灰色RBF神经网络的研究,建立了基于灰色神经网络融合算法的油料消耗预测模型。并利用实例验证了模型的实用性。     

基于支持向量周期回归的机场加油量预测

本文精确地预测各机场短期加油量,可帮助航油公司确定采购量和库存量,从而达到降低成本的目的。在分析了影响机场加油量的主要因素之后,以支持向量机回归理论为基础,带周期的支持向量回归机被提出,并对机场加油量时间序列进行预测,同时将该预测结果与其他方法的预测结果进行了比较。研究表明,带周期的支持向量机回归比传统预测方法对机场加油量时间序列有更高的预测精度。     

基于灰色神经网络的油料储备预测模型研究

油料储备是一个复杂系统，受到众多因素影响，具有较大波动性，用常规数学方法建模，不仅工作量大，而且精度难于保征。灰色预测GM（1，1）模型通过累加生成来削弱随机干扰影响，所需数据较少，计算简便，但对波动性较大的曲线进行拟合时精度较低，适合预测呈近似指数增长规律的数据序列，所预测的数据总是呈稳定上升趋势，而油料储备的实际情况并非如此。     

交通能源需求预测的支持向量机模型研究

交通能源需求系统是一个复杂多变量的非线性系统.我国交通能源时间序列数据存在着高度的非平稳性和非线性,这使线性方法建立的交通能源需求模型受到了严峻的挑战.在这种情况下,非线性模型就引起了人们的广泛关注,为此根据交通能源时间序列数据的非线性特征,运用支持向量机理论构建我国交通能源需求模型,进行实证分析.并对比分析了基于非线性的支持向量机模型和基于线性的协整与误差修正模型,结果表明,前者比后者具有较高的预测精度.     

BP神经网络——马尔科夫模型在军用油料消耗预测中的应用研究

作者利用BP神经网络-马尔科夫预测模型对油料消耗进行了预测，将预测结果同实际值进行了对比分析．得出了BP神经网络-马尔科夫预测模型能够对油料消耗进行准确预测的结论。     

基于核主成分-最小二乘支持向量机的区域物流需求预测

概述区域物流需求预测方法,分别阐明核主成分分析(KPCA)和最小二乘支持向量机(LSSVM)模型的原理,提出将核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合,建立核主成分-最小二乘支持向量机(KPCA-LSSVM)预测模型.先利用KPCA对数据进行预处理,消除变量之间的相关性,提取非线性主成分,再通过LSSVM对提取的非线性主成分进行训练,建立预测模型.最后,通过实例验证比较LSSVM与KPCA-LSSVM两种模型的预测性能.结果表明,KPCA-LSSVM的预测精度较LSSVM明显提高,是一种有效的中短期区域物流需求预测方法.     

基于数据仓库的油料供应决策支持

针对当前油料供应管理领域缺乏辅助决策分析工具的状况,对数据仓库、联机分析处理和数据挖掘技术进行了研究．提出了油料供应决策支持框架．解决了油料供应数据仓库的创建、OLAP数据分析与展现问题。     

基于兰彻斯特模型的军用油料需求系数标准预测

系数标准预测法是传统的军用油料需求预测方法,在实际中应用最多。传统的系数标准预测法一般给定用油装备的损失系数,或者不考虑用油装备的损失。为了提高军用油料需求预测的精度,本文引入多装备兰彻斯特对战模型,动态预测战争过程中用油装备的损失情况,进而对军用油料需求进行预测,以提高军用油料需求预测的精度。     

基于灰色动态神经网络的油料装备制造成本预测

在分析油料装备制造成本影响因素的基础上，建立了基于灰色动态神经网络预测油料装备制造成本预测模型。提出灰色动态神经网络结构，论述了数据预处理与灰色预测方法，采用隐含层维数动态调整算法优化网络结构。通过应用实例阐明该模型的研究，可有效地提高油料装备制造成本预测的精度.     

基于改进分段维的油料保障需求预测模型

未来高技术条件下的信息化战场,油料保障需求呈现开放性、非线性、动态性、自相似等典型复杂性特征,用于解决复杂系统问题的分形理论,可从油料保障需求时间序列看似无序的图形、图案中,挖掘出规则、有序的信息参量,进而实现科学、准确的预测．本文运用分形理论,在对分形维数改进的基础上。形成一种能够处理复杂条件下油料保障需求预测问题的新方法,解决实际问题。     

油料装备状态维修探析

随着监测诊断技术的快速发展,状态维修将成为油料装备维修管理的发展趋势。本文界定了油料装备状态维修的定义,并介绍了油料装备状态维修的内容和目标,在此基础上,重点探讨了油料装备状态维修的实施流程,为开展油料装备状态维修提供了理论支撑。     

油料装备组训方法研究

本文基于油料装备的组训目标,提出了油料装备四种主要的组训方法,即实装训练、虚拟仿真训练、半实装半仿真训练及网络训练等,对提高油料装备的组训效能具有一定的指导意义。     

油料装备增强型基于状态维修策略研究

在信息化高技术条件下,新型油料装备结构复杂,多技术复合,可靠性要求高,呈现集成化、自动化,势必对油料装备维修提出更高要求。对油料装备CBM＋维修策略进行研究,对于油料装备保障能力的提高,具有重要现实意义和军事经济效益.     

油料装备退化特性研究

本文研究了油料装备退化的现状,指出了油料装备退化的主要影响,剖析了油料装备退化的原因,给出了减缓油料装备退化的措施。     

基于分层抽样的用油装备油料消耗量研究

对某型号用油装备年度油料消耗量进行统计时，发现样本总体间的差异较大。若运用简单随机抽样进行估计会产生较大的误差。可按照一定的规则将样本总体划分成若干层，减小各层样本的方差，再抽取各层中少量样本反映各层的特征，从而有效提高对样本总体的估计精度，本文运用分层抽样方法对用油装备年度油料消耗量进行研究，探讨了比例分配Neyman分配下用油装备样本量的确定问题，通过对抽样设计效果进行分析，比较了两种分配方法在实际抽样中的适用情况并验证了分层抽样相比简单随机抽样的优越性。     

基于Blog环境下的油料装备信息化教学研究

本文结合Blog的特征,对建立基于Blog环境下的油料装备信息化教学课堂,搭建师生间良好的交流平台,提供丰富的教学资源,实现个性化教学、协作教学及在线答疑和讨论等进行了探讨。