NaI(Tl)γ能谱分析中谱漂移的分时动态修正方法

作者为解决NaI(Tl)γ谱仪在测量过程中谱漂移对解谱的影响,提出了一种软件分时动态谱漂移修正方法,并用3组份点源进行了检验.结果表明,修正后用神经网络方法解谱的误差由4.6%减少到3.0%.     

一种基于遗传算法和LM算法的混合学习算法

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg Marquardt算法优化神经网络的混合学习算法（GALM算法）. 该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.     

NaI（T1）γ能谱分析中谱漂移的分时动态修正方法

作者为解决NaI(T1)γ谱仪在测量过程中谱漂移对解谱的影响，提出了一种软件分时动态谱漂移修正方法，并用3组份点源进行了检验．结果表明，修正启用神经网络方法解谱的误差由4．6％减少到3．0％．     

BP神经网络在股指预测中的应用

设计了一个三层的BP神经网络,优化了网络输入,结合Matlab神经网络工具箱,采用LM算法与归一化方法相结合的方法对网络进行训练与仿真,并对上证指数收盘价进行了预测,实验表明网络收敛快,泛化能力强.     

基于遗传-神经网络的电机故障诊断

本文采用非线性最小二乘法中的LM(Leven-berg-Marquardt)算法,结合遗传算法进行电机故障诊断的方法,并应用于电机故障的仿真实验,性能明显优于单一的算法结构.1神经网络模型及算法本文采用的LM算法是一种利用标准数值优化技术的快速算法,是高斯-牛顿法的改进形式[1].LM算法网络     

一种抑制残差污染的补偿型自联想神经网络

针对常规自联想神经网络容易陷入残差污染而难以准确重构的问题,提出了一种新的补偿型自联想神经网络算法.该算法通过在常规自联想神经网络的测试过程中引入网络补偿层,建立了网络输入层与残差空间之间的调整机制,并采用梯度下降法快速获取目标变量的残差补偿幅值.给出了单变量和多变量残差补偿量计算流程,通过比较补偿后平方预测误差(SPE)统计量的大小来确定最佳补偿方向和补偿幅值,从而定位到异常点位置,并计算出模型重构值.通过仿真算例和工程算例验证了所提算法的有效性,算例结果表明,该算法能够在未知异常点位置的情况下,有效克服大幅度异常和多点并行异常造成的残差污染影响,其诊断和重构性能明显优于常规自联想神经网络和主成分分析算法.     

抗差LM算法求解遥感影像严格物理模型

Levenberg-Marquardt(LM)算法是一种求解非线性模型的数值算法,已成功地应用于最小二乘曲线拟合和非线性最优化中.LM算法能克服Hessian矩阵病态对解的影响,但是不能抵抗输入样本中粗差的干扰.为消除粗差对求解模型的影响,将等价权思想应用于LM算法中,对LM算法中的样本添加权重,得到抗差LM算法.通过其在Landsat5和SPOT5几何校正模型中应用,验证了该算法具有良好的抗差性,可以解决遥感图像校正模型解算过程中粗差的影响问题.     

基于神经网络的沸腾传热系数建模--三相循环流化床麦草浆黑液蒸发器

利用MATLAB神经网络工具箱建立了10×5×1的三层BP神经网络模型,仿真三相循环流化床麦草浆黑液蒸发器的三相流沸腾传热系数.比较了BFGS quasi-newton算法、LM算法、BR算法和GD算法的误差之后,选择LM算法训练网络.训练结果表明该模型学习速率快,训练步骤少,逼近程度高,最大偏差小于5%.     

基于关键点的残差全连接网络动态手势识别方法

车载动态场景下,为了提高基于视频手势识别的准确率和鲁棒性,提出了一种基于关键点的残差全连接网络手势识别算法.对在不同车辆平台、不同运动条件下采集的不同光照强度的视频数据进行归一化等预处理后提取视频帧的关键点,以关键点个数为准则进行了关键帧选取以提高运算性能和降低算法复杂度,将从关键帧中所提取的关键点送入残差全连接网络实现连续手势的识别.在不同光线与车内环境下,所提算法对6类动态手势的平均识别准确率达到96.72%,相较3D卷积神经网络(C3D)、卷积神经网络(convolutional neural network,简称CNN)、长短时记忆网络(long short-term memory network,简称LSTM)和双流网络,其识别率分别提升了10.72%,6.40%,5.17%和4.50%.实验结果验证了所提算法在车载环境下连续手势识别的有效性.     

非线性同伦LM算法及在软测量建模中的应用

综合同伦方法与Levenberg-Marquardt(LM)优化方法,提出了一种新型非线性同伦LM神经网络学习算法以改善现有神经网络学习算法的学习效率,分析了不同类型的过渡函数对神经网络泛化性能的影响.该算法具有稳定性强、收敛性能好的特点.结合工业过程实际要求,将提出的改进算法用于丙烯腈收率神经网络软测量建模并与几种常见建模方法比较,结果表明:基于改进算法的软测量模型具有更高的测量精度和更好的泛化性能,满足现场测量要求.     

LMBP神经网络PID控制器在暖通空调系统中的应用研究

针对BP神经网络学习过程收敛速度慢及易陷入局部极小值的缺陷,研究了levenberg-marquart算法(即LM算法).为解决LM算法中学习速率的选择和逆矩阵的求解这两个严重影响训练时间和收敛精度的问题,采用LU分解法对LM算法进行改进和优化,并通过MATLAB语言编程实现,将得到的LMBP神经网络PID控制器应用于暖通空调冷冻水循环的控制回路中,将其控制效果与PID控制算法、BP神经网络PID控制算法进行仿真对比研究.研究结果表明,采用LMBP神经网络PID控制器在减少超调量、加快收敛速度、减少稳态误差等方面的性能都得到了明显的改善.     

改进BP神经网络在发动机性能趋势分析和故障诊断中的应用

针对常规BP神经网络参数的经验式取值方法以及收敛速度慢,容易陷入局部最小点等缺陷,设计了一种改进的神经网络系统,利用蚁群算法优化神经网络连接权初值,并采用LM算法对人工神经网络进行训练,提高了网络的收敛速度,降低了训练误差。将其应用于某型利用ACARS报文实时获取飞机性能参数的发动机趋势分析和故障诊断中,可以快速准确地实现对发动机的性能趋势分析和复杂故障的诊断。最后通过仿真,对算法进行检验,结果表明改进算法的诊断置信度比改进前高。     

神经网络LM算法在X射线探测器中的应用

介绍了1种探测X射线分布和剂量的方法.采用BP神经网络拟合图像灰度值与照射量率的关系曲线,实现了探测器的标定.分析了直接用CMOS图像传感器探测X射线的原理.探讨了神经网络参数选取的方法.利用LM算法优化BP神经网络,得到较为精确的拟合曲线和误差曲线,并且用测试数据验证该系统的误差性能指标.实验证明该算法能够较为精确的测量辐射的剂量信息,可应用于X射线探测器的标定.     

一种结合遗传算法和LM算法的摄像机自标定方法

提出了一种遗传算法和LM算法相结合的摄像机自标定方法。首先利用遗传算法获得若干组摄相机内外参数的初始值,接着利用LM算法对每一组参数进行优化,然后选取映射误差最小的那组参数。如果这组参数的映射误差满足要求,则将这组参数作为摄相机标定的最终结果;否则利用遗传算法对刚才得到的若干组参数进行交叉和变异操作,再利用LM算法优化每一组参数,直至映射误差满足要求。最后将摄像机标定结果用于视差估计,以判断标定结果的正确性。实验结果表明,提出的结合LM算法和遗传算法的摄像机自标定方法是正确有效的。     

影响微震震源定位精度的主要因素分析

 微震震源坐标是微震监测最基本和最重要的参数之一,定位精度的高低直接影响着微震分析的结果。研究分析了微震震源定位精度的影响因素,台站误差,速度误差及由优化算法带来的误差。采用优化算法确定震源的坐标及震源事件的发生时间时,不同算法求解的源坐标值相差很大,为此,如何选取合理的优化算法意义重大。将麦夸特法(LM)、简面体爬山法(SM)、准牛顿法(QN)、最大继承法(MIO)、自组织群移法(SOMA)、麦夸特法与全局优化算法(LM-GO)、简面体爬山法与全局优化算法(SM-GO)、准牛顿法与全局优化算法(QN-GO)、最大继承法与全局优化算法(MIO-GO)应用到震源定位中,分析不同算法对震源定位精度的影响。研究发现单纯使用MIO、QN、LM很容易陷入局部最优值,选用时应慎重,联合使用全局最优算法可以显著提高定位精度。SOMA、SM-GO、MIO-GO、LM-GO计算结果较为稳定,定位精度高,建议在声发射源与震源定位时优先选用。     

基于LMBP算法的液压油缸内泄漏故障诊断方法

针对液压油缸内泄漏故障诊断中提取时域参数过多以及各参数间相互交叉等问题,提出一种基于主成分分析（Principal Component Analysis,PCA）和改进的Levenberg—Marguard（LM）神经网络的诊断方法．首先采用Lu分解法对LM算法中逆矩阵的求解进行优化,以加快网络的收敛速度,然后提取压力信号的8个时域参数作为原始特征,采用PCA法对其进行降维和去相关,提取前2个主成分作为最终特征,输入到改进的LM网络中进行故障模式识别,并将诊断结果与LM算法和GA—BP算法进行仿真对比研究．研究结果表明：基于LMBP算法的故障诊断方法在减少识别误差和提高诊断速度等方面取得显著改善,是一种行之有效的液压油缸内泄漏故障诊断方法．     

一类基于Levenberg—Marquardt算法的神经PID控制研究

传统的比例积分控制器具有一定的局限性,尤其是当被控对象会有非线性、不确定性和时变特性,常规的PID控制器往往难以发挥作用,甚至会失稳．利用神经网络进行复杂过程的PID控制可以很好地解决上述问题．Levenberg—Marquadt（LM）算法是梯度下降法与高斯一牛顿法的结合,就训练次数与精度而言,它明显优于共轭梯度法及变学习率的BP算法,适用于PID控制．得到了在线自适应神经网络PID控制算法,该算法改善了传统BP算法,实现了现有PID控制器控制方法．     

基于Elman神经网络的传感器补偿算法研究

为消除随钻测斜仪中的传感器由于受温度、湿度等非目标参量影响,提高随钻测斜仪的测量精度和工作稳定性,采用Elman神经网络,用LM算法对其进行训练,并将其应用到随钻测斜仪的传感器补偿中.仿真结果表明,精度可达10-7,比原来提高了4个数量级,提高了随钻测斜仪的测量精度和稳定性.该方法补偿速度快,补偿效果好,可以应用于其它各类传感器的补偿中.     

基于Elman神经网络的传感器补偿算法研究

为消除随钻测斜仪中的传感器由于受温度、湿度等非目标参量影响,提高随钻测斜仪的测量精度和工作稳定性,本文采用Elman神经网络,用LM算法对其进行训练,并将其应用到随钻测斜仪的传感器补偿中。仿真结果表明,精度可达10-7,比原来提高了4个数量级,提高了随钻测斜仪的测量精度和稳定性。该方法补偿速度快,补偿效果好,可以应用于其它各类传感器的补偿中。