阻尼改进抗差L-M匹配下全景图像拼接平滑优化

为了解决大面积视觉全景图像受拼接缝影响,拼接平滑面积较小的问题,提出阻尼改进抗差L-M匹配下全景图像拼接平滑优化方法。阻尼因子改进抗差L-M算法,计算抗差L-M迭代向量;利用改进抗差L-M算法,融合球面投影理论,对特征匹配误差目标函数进行优化。融合拉普拉斯算法和高斯滤波金字塔对图像进行分解重构,确定图像拼接缝重叠区域后完成全景图像拼接平滑优化。实验结果表明,所提方法的拼接缝平滑面积能够达到95.8%,解决了拼接平滑面积较小的问题。

基于L-M算法的铝合金铸造过程界面换热系数的反问题模型

铝合金铸造过程铸件-铸模之间的界面换热系数的变化非常复杂,且预测非常困难。本文基于L-M(Levenberg-Marquardt)算法建立了铝合金铸造过程传热反问题模型,通过反问题分析获得铝合金铸造过程中铸件-铸模界面换热系数。通过将铸件-铸模界面换热系数反演值与标准值进行比较,验证传热反问题模型的准确性。在此基础上,分析了铸模上测点位置(与铸件-铸模界面距离、相邻测点间距)和温度测量误差对铸件-铸模界面换热系数反演值的影响规律,并给出了最优的测点布置方案和温度测量误差要求。通过铝合金铸造实验,用该反问题模型能求解出铝合金凝固过程中的铸件-铸模界面换热系数。

基于L-M算法的移动载荷识别数值分析与研究

近几年,国内运输行业呈现出了极为迅猛的发展趋势,作为连接各地区的主体,桥梁在促进经济发展等方面起到重大作用,如何在保证桥梁性能的前提下,对其寿命进行延长已成为社会各界热议的话题。文章以移动载荷识别为切入点,首先对识别所用L-M算法进行了介绍,其次以斜拉桥、简支梁为例,围绕载荷识别、结构分析相关内容展开了讨论,最后以研究所得出结论为依据,针对不确定参数建立了相应的分析模型,创造性地引入了模糊隶属度等指标,希望能够为日后计算响应区间等工作的开展提供帮助。

基于L-M算法的家用空调主动节能技术的研究

提出一种基于L-M算法的家用空调主动节能技术,通过获取空调的运行数据实时预测室内环境温度达到用户设定温度所需时长,并结合降温速率控制压缩机运行频率,绘制并不断优化运行曲线,从而寻找到最节能的运行路径,减少对潜热做功,同时降低阻尼,结合PID控制使得室内温度控制更加平稳,更顺滑地达到设定温度以减少温度震荡带来的无用能耗的增加,达到越用越节能、越用越舒适的目的。测试结果表明,该算法在某些环境下节能率近25%,节能效果良好,具有很大的推广价值。

基于L-M优化算法的水稻螟虫预测模型及其初步应用

农村稻区水稻螟虫发生量与多种气候因素相关,各因素之间存在相互作用,是非线性系统。神经网络能有效地描述非线性模型多输入和不确定的特性。传统的BP网络在训练时易陷入局部极小点从而导致训练时间长、收敛速度慢,采用Levenberg-Marquardt优化算法(简称L-M算法)能克服其缺点。在MATLAB中应用L-M算法对辽宁盘锦田间稻区进行水稻螟虫发生量的仿真预测,试验结果表明L-M优化算法的预测精度和收敛速度明显提高,为稻区防控虫害和精确喷药提供参考,具有实用价值。

基于L-M算法的BP网络在变压器故障诊断中的应用

针对传统BP神经网络算法在变压器故障诊断中存在的收敛速度慢、容易陷入局部极小值的问题,通过对基于Levenberg-Marquardt算法的BP神经网络进行深入研究,并最终应用于变压器故障诊断。该算法通过优化BP神经网络的搜索方向,加快了网络训练速度,提高了网络训练的精度。通过对实例数据仿真,证明了本方法能够有效地诊断出变压器的故障,为变压器故障诊断提供了一条新途径。

基于L-M优化算法的猪舍氨气浓度预测模型研究

在规模化养殖中,猪舍环境直接影响猪健康水平及生产能力。针对猪舍环境因素(包括温度、湿度、风速和氨气浓度)进行数据采集,选取具有代表性30 d数据,建立基于L-M优化算法的3-7-1三层结构的BP神经网络模型,对猪舍环氨气浓度进行预测。结果表明,预测模型经过90步达到目标误差,网络收敛速度快,效率高,预测值与实测值最大相对误差仅为1.72%,与线性预测方法相比较可提高猪舍氨气浓度预测的准确性与及时性,为猪舍环境预警及控制提供支持,也为其他行业预测模型建立提供参考。

混合威布尔分布参数估计的L-M算法

混合威布尔分布模型常用来分析具有多种失效模式的机械系统或零部件的可靠性寿命数据,为提高混合威布尔分布未知参数估计的精度,利用非线性最小二乘理论,建立了小子样条件下两重混合威布尔分布参数优化估计模型,将L-M算法用于优化求解。以概率图参数估计法的结果作为迭代初始值,提高了迭代求解的速度。计算实例表明利用该方法估计混合威布尔分布参数是可行的,而且能够获得较精确的结果。

一种基于L-M算法的组合神经网络模糊控制器

提出了一种基于L-M算法的神经网络模糊控制器。用两个相同的三层前向神经网络①和②来生成E和EC的隶属度,用三层前向神经网络③来实现模糊控制规则并生成控制输出,经过研究和对比选择了对于这3个网络来说最好的训练算法Levenberg-Marquardt算法。仿真结果表明了该控制器极好的控制性能。

基于L-M算法的雷达板级电路快速故障诊断

新型雷达可更换的板级电路很多,为了快速诊断板级电路故障,将一种基于L-M算法的神经网络用于故障诊断;分析了L-M算法BP网络进行雷达板级电路故障诊断的原理;建立了故障诊断样本训练和测试平台;并以实例在该平台上对L-M算法BP网络进行训练和实际诊断.结果表明,该方法诊断准确性高,比其它方法更为快速有效,较好地解决了雷达可更换板级电路的故障诊断问题.

基于L-M算法的BP神经网络分类器

以TM图像为例,讨论了基于Levenberg-Marquardt(L-M)算法的BP神经网络分类器及其在遥感图像分类中的应用。LM算法是梯度下降法与高斯牛顿法的结合,由于利用了近似的二阶导数信息,LM算法比梯度法快。就训练次数及准确度而言,LM算法明显优于变学习率法的BP算法。

基于BP神经网络与L-M算法的潜艇声纳自噪声预报

L-M(L evenberg-M arquart)算法与BP(B ack-P ropagation)神经网络相结合,使神经网络在多样本、大变量输入的情况下,具有更快的收敛速度和更高的逼近精度。将BP神经网络与L-M算法相结合应用于潜艇声纳自噪声预报;分析了影响潜艇声纳自噪声的各种声源参数;利用潜艇声纳实测数据进行网络训练,训练好的神经网络可以对潜艇声纳自噪声进行精确预报。

L-M神经网络的磨削淬硬参数预测

针对基于传统BP算法的神经网络训练中收敛速度较慢的缺点,提出一种基于L-M(Levenberg-Marquardt)算法的磨削淬硬层厚度预测,并开发了基于L-M算法的磨削淬硬神经网络预测系统。仿真结果表明:该系统模型显著缩短了训练时间,具有较高的准确性。通过网络训练和网络检验,得出该神经网络系统的预测值与实测值十分接近的结论,可充分证明L-M法BP神经网络对于磨削淬硬参数预测具有很好的效果。

采用L-M优化算法的设备状态预测

设备状态预测是设备预防性维护的重要组成部分。针对传统方法处理设备状态数据的不足,采用L-M优化算法进行设备状态预测。通过原始样本数据学习和训练BP神经网络,并用测试数据进行设备状态预测,实验证明该方法不仅在误差分析精度和收敛速度方面具有优良的性能,而且还证明了该算法的有效性。

用L-M算法的神经网络诊断充油设备绝缘故障

针对充油型设备的故障诊断 ,采用Levenberg Marquardt算法建立多层前向人工神经网络 ,采用改进算法训练网络 ,克服了传统BP算法收敛速度慢、易陷入局部极小的缺陷 ;采用可靠性数据分析技术和变量循环重新编号等方法有助于加快网络收敛 ;提出将判别具体故障类别和固体绝缘故障分开的两层诊断结构 ,提高了网络的训练效率和诊断的准确性。

基于L-M算法的BP神经网络预测短电弧加工表面质量模型

短电弧铣削加工技术属于特种加工行业中电加工的技术范畴,尤其适用于特硬、超强、高韧性等难加工材料的高效加工。但工件加工表面的技术特性(表面变质层、硬度、残余应力、表面层缺陷等)还有待于深入研究。为获得短电弧铣削加工良好的工艺效果,引入传统BP算法和Levenberg-Marquardt(简称L-M)算法,构建短电弧铣削加工表面质量模型。通过分析表面质量的影响因素,选取放电电压、频率、气压、脉冲时间为模型的输入,表面粗糙度、变质层厚度、工件材料去除率为输出,比较两种模型的预测精度。结果表明,基于L-M算法的BP神经网络对表面粗糙度、变质层厚度、材料去除率的平均预测误差分别为2.9%、9.4%、4.6%,低于传统的BP神经网络。相比传统的BP神经网络,改进的LM-BP神经网络模型提高了预测精度,实际工程中可用于优化工艺参数。

基于L-M神经网络优化算法的池塘水色判别系统的初步建立

为了将水产养殖水色判别传统技术经验转化为可以量化的数字技术,采用基于L-M神经网络优化算法和计算机图像处理技术的方法,建立了一个水色判别的水产养殖专家系统。通过实例预测,该系统判别误差率<1%。该系统训练后的神经网络模型,能实现对养殖池塘水质的预测。系统的开发和使用对实现水产健康养殖、智能控制和计算机管理具有一定实用价值.

结合N-W方法的L-M算法在变压器故障诊断中的应用

在分析Levenberg-Marquardt(L-M)算法和Nguyen-Widrow(N-W)方法原理的基础上,提出了一种多层前馈神经网络训练算法,该算法在使用N—W方法初始化神经网络可变参数的基础上使用L-M算法训练多层前馈神经网络。构造了适合于变压器油中溶解气体分析故障诊断的神经网络,使用了标准BP算法、加动量项BP算法和结合N-W方法的L-M算法训练该网络,结果表明算法收敛速度快、不容易陷入局部极小点。将训练所得网络用于变压器油中溶解气体分析故障诊断,诊断结果验证了该方法的有效性。

一种采用L-M方法的无标定视觉伺服控制方法

在无标定视觉伺服控制中,高斯牛顿法是一种被广泛采用的方法,但在大残量情况时,该方法可能不收敛或不能收敛到期望值。对此,提出了一种采用L-M方法的无标定视觉伺服控制方法。该方法采用信赖域策略确保模型是对非线性目标函数合适的模拟,并根据函数实际下降量与预测下降量的比值自适应地改变步长,采用Broyden方法动态估计图像雅可比矩阵。采用该方法无需对机器人及摄像机进行标定,且避免了传统方法的上述缺点。仿真及实验结果验证了该方法的有效性。

L-M优化算法BP网络在刀具磨损量预测中的应用

在线刀具磨损量估算及其未来发展趋势预测对于指导现实生产有着十分重要的意义。提出基于L-M优化算法BP神经网络的刀具磨损量在线预测方法。对声发射信号进行小波包分解,得到32个不同频带内的信号,用于构造初始特征向量矩阵;对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱做为刀具磨损的特征向量,利用神经网络在线预测刀具磨损量。试验结果表明:预测结果能准确地跟踪实际的刀具磨损曲线,并且L-M优化算法比其他改进算法迭代次数少,收敛速度快,精确度高。