本站小編為你精心準備了數據挖掘艦船裝備維修費估計參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要:艦船裝備維修費具有一定的規律性，同時也有一定的隨機性，導致很難進行準確估計。為了提高艦船裝備維修費精度，減少艦船裝備維修估計偏差，設計了基于數據挖掘的艦船裝備維修費估計模型。首先分析當前艦船裝備維修費估計模型的各種局限性，然后收集艦船裝備維修費歷史數據，并對艦船裝備維修費歷史數據進行處理，得到更加有規律的艦船裝備維修費數據，然后采用數據挖掘技術建立艦船裝備維修費估計模型，并采用實際艦船裝備維修費數據進行驗證性實驗。本文模型的艦船裝備維修費估計精度高，艦船裝備維修費的估計誤差遠小于當前其他艦船裝備維修費估計模型，結果證明本文方法是一種精度高，誤差小的艦船裝備維修費估計模型。

關鍵詞：艦船裝備；維修費估計；數據處理；數據挖掘技術

引言

隨著艦船的類型越來越多，艦船的使用頻率越來越高，艦船各部件出現故障的頻率越來越高，當艦船裝備出故障時，需要對其進行維修。由于各方面的費用不斷增加，艦船裝備維修費用也不斷增加，為了降低艦船裝備維修費，需要對艦船維修費進行估計，因此艦船維修費估計的建模研究受到了人們的重視[1]。多年以來，艦船公司以及相關研究機構對艦船維修費估計問題進行了相應的研究，當前艦船維修費估計模型可以劃分為兩類：一類是線性艦船維修費估計模型，主要有元線性回歸模型[2]，其認為艦船維修費呈現線性變化特點，建模過程十分簡單，而且十分容易實現艦船維修費估計程序，但是其艦船維修費估計精度低，這是因為艦船維修費與經濟、材料以及人工勞務費相關，不僅只是線性變化特點，而且具有較強的隨機性變化特點，這樣線性模型無法建立高精度的艦船維修費估計模型[3]。另一類是非線性的艦船維修費估計模型，主要有神經網絡模型，其認為艦船維修費具有非線性變化點，通過模擬人大腦思想過程對艦船維修費變化特點進行建模，相對于線性艦船維修費估計模型，其艦船維修費估計精度得到了明顯的改善。但是神經網絡要求艦船維修費的歷史數據比較大，不然得不到理想的艦船維修費估計結果[4]。支持向量機是最近興新的一種數據挖掘技術，其建模能力比BP神經網絡強，而且要求問題的歷史數據數量不多，為艦船維修費估計建模提供了一種新的工具[5]。為了提高艦船裝備維修費精度，減少艦船裝備維修估計偏差，設計了基于數據挖掘的艦船裝備維修費估計模型，并采用實際艦船裝備維修費數據進行驗證性實驗，以分析本文模型的艦船維修費估計效果。

1數據挖掘技術

1.1混沌分析理論

x(i),i=1,2,•••,n混沌分析理論是一種數據分析方法，其可以將看似無規律的數據進行適當變換，得到有規律的數據，可以加快建模速度，同時并獲得更優的建模效果。設艦船維修費歷史數據為：，n表示艦船維修費歷史數據點數，若對數據不做任何處理，直接采用支持向量機對艦船維修費歷史數據進行建模，有時艦船維修費估計結果不理想，因此采用混沌分析理論對艦船維修費歷史數據進行變換，通過確定合理的時間延遲（τ）和嵌入維數（m），變換得到更有規律的艦船維修費數據，具體為：

1.2支持向量機

X(i)={x(i−(m−1)τ,•••,x(i−τ),x(i)}y(i)=x(i+1)變換后的艦船維修費數據為：，其對應的輸出為：，支持向量機通過訓練建立如下形式：[Ψ(xi)，yi]和支持向量機的超平面距離為1/||ω||，在建模過程中，難免出現一點誤差比較大的數據點，因此需要引入松弛變量ζi對誤差點進行弱化操作，那么可以得到對式（3）的問題進行求解十分困難，為了簡化操作，以更好的求解，對式（3）進行適當變換，得到帶約束優化問題，具體為式中，C表示對估計誤差的懲罰程度。引入拉格朗算子αi進一步對式（4）進行簡化操作，加快問題求解速度，則有：采用核函數K(xi,x)=ψ(xi)ψ(x)，那么最后得到支持向量機的決策函數為支持向量機的建模效果與懲罰參數C取值直接相關，通常采用人工方式確定，這樣得到的懲罰參數值不是最優，影響艦船維修費估計效果，本文選擇布谷鳥搜索算法優化支持向量機的懲罰參數C的值，以提高船維修費估計精度。

2艦船裝備維修費估計模型的設計

數據挖掘的艦船裝備維修費估計模型綜合了混沌分析理論和支持向量機的優點，工作步驟為：1）根據相關文獻以及有關研究，通過專業人員對艦船裝備維修費歷史數據進行收集。2）確定τ和m，通過混沌分析理論對艦船維修費歷史數據進行變換，得到艦船維修費估計的建模樣本。3）采用布谷鳥搜索算法優化支持向量機的懲罰參數C。4）采用最優C建立艦船維修費估計的模型。5）采用測試數據對艦船維修費估計模型的性能進行分析。

3艦船裝備維修費估計的實例分析

3.1艦船裝備維修費歷史數據

為了分析基于數據挖掘的艦船裝備維修費估計模型性能，對一個艦船裝備修理廠維修費的歷史數據進行收集，結果如圖1所示。選擇前100個數據建立艦船裝備維修費估計模型，以分析艦船裝備維修費擬合效果，選擇其他50個數據對艦船裝備維修費估計模型泛化性能進行測試。為了驗證數據挖掘的艦船裝備維修費估計模型優越性，選擇文獻[5]的數據挖掘的艦船裝備維修費估計模型進行仿真對比實驗。 采用混沌分析理論對圖1中的艦船裝備維修費歷史數據進行分析，得到艦船裝備維修費歷史數據的τ=5，m=7，采用采用布谷鳥搜索算法優化支持向量機的懲罰參數C，結果為c=17.785。

3.2結果與分析

采用兩種艦船裝備維修費估計模型對圖1中的艦船裝備維修費前100個歷史數據進行擬合，得到的結果如圖2所示。對圖2的艦船裝備維修費擬合結果進行分析可以知道，本文艦船裝備維修費估計模型的擬合效果要優于對比艦船裝備維修費估計模型的擬合效果，提高了艦船裝備維修費擬合精度，大幅度降低了艦船裝備維修費擬合誤差，初步驗證了本文艦船裝備維修費估計模型的優越性。采用2種艦船裝備維修費估計模型對圖1中的50個歷史數據進行估計，得到的結果如圖3所示。可知，本文模型的艦船裝備維修費泛化效果更優，提高了艦船裝備維修費估計精度，再一次證明了本文艦船裝備維修費估計模型的優越性。4結語艦船裝備維修費受到工人工資、經濟、材料等因素綜合影響，具有十分強烈的隨機性，當前模型對艦船裝備維修費變化特點難以進行精準描述，使得艦船裝備維修費估計誤差大，為了解決艦船裝備維修費估計誤差大的缺陷，設計基于數據挖掘的艦船裝備維修費估計模型，并進行了艦船裝備維修費估計實例驗證，結果表明，本文模型可以精度描述艦船裝備維修費變化趨勢，獲得了高精度的艦船裝備維修費估計結果，在艦船裝備維修中具有廣泛的應用前景。

參考文獻：

[1]蔣國萍,謝力,孫勝祥,等.艦船裝備維修費組合預測馬爾科夫鏈修正模型[J].海軍工程大學學報,2018,30(2):13–17.

[2]王允,魏汝祥,孫勝祥.艦船裝備使用維修費的GM估算研究[J].中國修船,2006(4):46–48.

[3]謝力,魏汝祥,孫勝祥,等.艦船裝備維修費單項預測集對分析與組合建模[J].系統工程與電子技術,2017,39(10):2264–2269.

[4]吳白旺.組合優化理論的艦船裝備維修費預測[J].艦船科學技術,2018,40(6A):31–33.

[5]謝力,楊懷寧,尹相平,孫玉華.基于主成分分析的艦船裝備維修費組合預測[J].中國艦船研究,2012,7(4):108–112.

作者：廖美紅 單位：桂林電子科技大學