逯程，徐廷学，张海军，王天然

(海军航空工程学院 兵器科学与技术系,山东 烟台 264001)

0 引言

作为一种预测式的维修技术，视情维修(condition based maintenance, CBM)是未来维修保障方式发展的新趋势[1]。末制导雷达是实现导弹精确制导的关键装备，其性能退化状态优劣直接影响到作战任务的完成，因此，装备退化状态预测研究对于CBM工作的开展具有十分重要的意义。

近年来，装备退化状态预测研究主要集中灰色理论、人工神经网络、云理论及相关向量机等技术领域[2-5]，但是装备历史测试数据往往存在小样本、非线性及动态不确定性等特点，传统理论方法存在一定的局限性。相关向量机[6-7](relevance vector machine,RVM)是TIPPING于2001年提出的一种基于稀疏Bayes学习理论的机器学习新算法。与支持向量机(support vector machine,SVM)相比，其核函数不受Mercer条件的限制，选取更加灵活;参数设置简单，避免了复杂的附加参数;解的稀疏性也远高于SVM，具有较好的泛化能力。

基于以上分析，为进一步提高相关向量机模型的预测精度，提出了一种改进RVM的装备退化状态预测方法。首先，通过构建一种方差高斯核函数(variance Gauss kernel function,VGKF)来提高核函数的全局性能和泛化能力;然后通过借鉴混沌序列局域预测法中邻近点个数的选取方法，利用H-Q准则(Hannan-Quinn rule)对训练空间预测嵌入维数进行优化，避免了主观选取的盲目性;最后提出一种线性搜索算法，优化确定核参数值。通过末制导雷达装备的预测实例对改进RVM的预测性能进行验证。

1 RVM 预测模型

RVM是一种非线性稀疏贝叶斯学习理论，其良好的泛化性能和较少的相关向量使其在预测领域取得了较好的应用，其回归模型原理如下：