向量機(jī)的雷達(dá)導(dǎo)引頭狀態(tài)預(yù)測方法

　　針對雷達(dá)導(dǎo)引頭機(jī)電結(jié)構(gòu)組成復(fù)雜、性能指標(biāo)測試數(shù)據(jù)信息利用率不足、使用傳統(tǒng)基于數(shù)據(jù)驅(qū)動的狀態(tài)預(yù)測方法精度不高的問題，借鑒相關(guān)向量機(jī)（ relevance vector machine，RVM）和Dempster_Shafer（ D-S）證據(jù)理論，提出了一種基于證據(jù)融合和改進(jìn)局域RVM的狀態(tài)預(yù)測方法。首先，對標(biāo)準(zhǔn)RVM回歸模型進(jìn)行改進(jìn)，通過構(gòu)建方差高斯核函數(shù)（ variance Gauss kernel function，VGKF）來提高核函數(shù)的全局性能和泛化能力；然后通過借鑒混沌序列局域預(yù)測法中鄰近點(diǎn)個數(shù)的選取方法，利用Hannan-Quinn（ HQ）準(zhǔn)則對訓(xùn)練空間預(yù)測嵌入維數(shù)進(jìn)行優(yōu)化，避免了主觀選取的盲目性，完成了改進(jìn)局域相關(guān)向量機(jī)模型（local relevance vector machine．LRVM）的構(gòu)建；最后，利用具有近似退化規(guī)律的同源裝備測試數(shù)據(jù)對LRVM進(jìn)行了改進(jìn)，通過D-S證據(jù)理論對兩種模型的預(yù)測結(jié)果進(jìn)行了融合，建立了聯(lián)合局域相關(guān)向量機(jī)（united local relevance vector machine，U-I_RVM）模型。通過對導(dǎo)引頭相關(guān)參數(shù)的實(shí)例預(yù)測，驗(yàn)證了該方法的可行性和優(yōu)越性。