基于Levernberg-Marquardt算法的动态磁性检测站磁定位方法研究

针对舰船动态磁性检测站需要确定磁场测量点坐标以进行舰船磁性分析的情况,利用Levernberg-Marquardt算法及磁体模拟法提出了一种动态磁性检测站磁定位方法;该方法利用包含定位参数的舰船磁场模型设计了目标函数,通过Levernberg-Marquardt算法经由定位参数的初始估计收敛到使目标函数最优的定位参数解;船模实验证明,定位结果较准确,能用来描述动态测磁时舰船磁场测量面上测量点的位置,在此基础上能通过舰船磁场推算掌握舰船的磁场分布情况,进而快速制定舰船消磁决策。

模拟AMSR-E数据的地表多参数反演

为了提供更适用的地表参数反演方案,对Njoku等模拟AMSRE-E数据的多参数反演工作重新进行正向模拟和算法改进,算法用MATLAB开发实现。反演结果表明,改进后的反演方法不仅在精度上略高于原方法,而且还能反演裸露地表可实际测量的粗糙度参数,并在更大的植被含水量范围内达到较高的反演精度。

前馈神经网络学习新算法及其仿真

目前基于高斯牛顿法及其衍生算法的前馈神经网络虽然可以达到局部二阶收敛速度,但只对小残量或零残量问题有效,对大残量问题则收敛很慢甚至不收敛.为了实时解决神经网络学习过程中可能遇到的小残量问题和大残量问题,引入拟牛顿(QuasiNewton)优化算法,并与LM(Levernberg-Mar quardt)法相结合,构建基于LM QuasiNewton法的前馈神经网络.仿真实例表明,该神经网络较好地解决了残量问题,具有良好的收敛性和稳定性.

智能电网中电力负荷短期预测数据挖掘模型

依据数据挖掘理论对数据进行收集、整合,运用改进型BP神经网络模型处理数据,建立电力负荷模型进行短期预测.通过不同精度下的实验分析,结果表明,改进型神经网络负荷预测模型在高精度下预测结果优于低精度下预测结果,最大误差同比降低80%,适用实际负荷预测.

一种前馈神经网络综合快速学习算法

目前基于高斯牛顿法及其衍生算法的前馈神经网络虽然可以达到局部二阶收敛速度,但只对小残量或零残量问题有效,对大残量问题则收敛很慢甚至不收敛.为了实时解决神经网络学习过程中可能遇到的小残量问题和大残量问题,引入NL2SOL优化算法,并与LM(Levernberg-Marquardt)法相结合,构建基于LM-NL2SOL法的前馈神经网络学习算法.仿真实例表明,该神经网络学习算法较好地解决了残量问题,具有良好的收敛性和稳定性.

适于前馈神经网络的LM-QuasiNewton综合学习新方法

为实时解决神经网络学习过程中可能遇到的大残量时的收敛问题,将LM算法与QuasiNewton优化算法结合,构建了一种综合学习算法(LM QuasiNewton算法).仿真算例表明,该算法较好地解决了残量问题,收敛性与稳定性优于其它权值算法.合学习算法.仿真实例表明,该算法较好地解决了残量问题,在收敛性与稳定性方面优于其它权值算法.