基于TRL和SVM的航天型号研制成本预测研究

《基于TRL和SVM的航天型号研制成本预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、RESEARCH学术论文基于TRL和SVM的航天型号研制成本预测研究术ResearchonAerospaceProductDevelopmentCostPredictionBasedonTRLandSVM西北工业大学管理学院王景玫郭鹏【摘要】在分析航天型号研制小样本、技术复杂程度高、难以达到成熟程度造成超支现象严重特征的基础上，提出了基于技术成熟度(TRL)与支持向量机(SVM)的航天型号研制成本预测模型。采用该预测模型，一方面较好地解决了航天型号小样本问题；另一方面将技术成熟度参数引入成本预测模型，考虑技术状态对成本的影响。通过对某型号发动机研制成本进行预测，并与未引入技术成熟度的预测模型

2、结果进行对比，说明引入技术成熟度能使得航天型号研制成本预测精度更高，为实现航天型号研制成本管理和控制提供决策支持。关键词：技术成熟度小样本支持向量机【ABSTRACT】Afteranalyzingthecharacteristicsofaerospaceproducts，includingsmallsampleandcomplextechnology,whichleadtoseriouslyoverspending，anaero—spaceprojectdevelopmentcostpredictionmodelbasedontechnologyreadinesslevels(TRL)and

3、supportvectormachine(SVM)isproposedinthepaper．ThemodeltakesTRLintotheSVMprediction．Ontheonehand，itcansolvethesmallsampleproblembeRer；Ontheotherhand，itconsiderstheinfluenceofthetechnologyontheproductcost．Afterforecastingaspecificenginedevelopmentcost，comparingwiththemodelwhichdoesn’ttakeTRLintotheSV

4、Mprediction，themethodproposedinthepaperprovestobeabeRerpredictionaccuracy．Itoffersfeasibledecisionsupporttomanagementandcontrolforaerospaceproduct．Keywords：Technologyreadinesslevel(TRL)SmallsampleSupportvectormachine(SVM)DoI：10．16080／j．issnl671—833x．2015．23／24．97随着空间探索的日益频繁，人们对航天型号研制提出了更高的要求，最大限度地降

5、低成本、提高系统性能已成为世界航天型号研制发展的趋势。寻找航天型号研制过程中成本变化的规律，建立科学、可信、反应迅速$国家自然科学基金项目(71272049)资助。的航天型号研制成本预测模型，对于适应新形势的要求、提升航天企业的竞争实力以及促进经费管理的科学化有着重要的现实意义。由于航天型号研制具有很强的探索性和综合性，需要投放巨额资金，组织庞大的研制队伍。持续较长的研制周期【1】，研制过程中存在着难以预见的不确定因素【2】。这些因素制约着航天型号的类型与数量，与航空装备小批量研制模式不同，航天型号研制模式通常是单件小批量，这使得其研制成本样本容量很小，不足30条，属于小样本问题【3】。刘云

6、焘等14]针对商业银行信用风险数据积累少、统计方法效果不好等问题，提出了基于支持向量机的风险评估模型对信用风险进行评估，提高了预测精度。孟军等圈研究了小样本条件下的大豆的产量问题，构建了基于支持向量机的大豆产量预测模型，并通过与三次指数平滑模型、灰色预测、多元线性回归预测作对比，说明了支持向量机预测效果高于其他预测模型。吴冲等嘲针对信用风险评估中分类评估模式仅能反映有限的经济信息，提出了基于模糊积分的支持向量机集成模型，并运用五级分类法对商业银行信用风险进行估计。董华等同研究了基于支持向量机的多品种小批量生产质量预测模型，并针对实际加工工序参数不断变化的特征，引入模糊隶属度概念对其进行了预测

7、。钟诗胜等is]在支持向量机中引入信息扩散技术对小样本条件下航空型号费用进行了预测，并采用粒子优化算法对参数进行寻优。通过分析发现，基于结构风险最小化(StructuralRiskMinimization，SRM)准则下的支持向量机(SupportVectorMachine，SVM)预测模型能很有效地解决小样本预测问题，在小样本学习过程中所表现出的超强泛化能力，使其不需要建立精确数学模型和大量的样本数据便能对