连续全场数字图像相关的反向组合高斯-牛顿算法

反向组合高斯-牛顿算法提高了数字图像相关的计算效率,但是此算法的应用局限于两幅图像之间的配准。在不牺牲配准精度的前提下,提出了一种基于双立方插值系数缓存表和海森矩阵缓存表的反向组合高斯-牛顿算法算法,从而加速了连续全场数字图像相关计算效率。实验结果表明,使用3种不同尺寸子区域的人工模拟散斑图像配准时,本算法的计算效率提高了11.35%、14.95%和18.93%。当使用CCD采集的真实散斑图像时,计算效率提高了18.20%。所提出的算法对人工散斑和真实散斑图像显示出良好的效率性能。

基于改进高斯-牛顿优化算法的频率域海洋可控源电磁二维反演

稳定、高效的反演算法是开展海洋可控源电磁(CSEM)数据解释的基础.本文实现了基于改进的高斯-牛顿优化算法的频率域海洋CSEM二维反演.基于交错网格有限差分法实现可控源电磁场2.5维正演模拟,使用直接矩阵分解算法求解差分离散方程组以实现多场源电磁响应的快速计算,并采用改进的接收点插值算法实现海底任意接收点处电磁场快速高精度计算.使用伴随法隐式求取灵敏度矩阵并基于近似二次收敛的高斯-牛顿优化算法实现反演,同时提出了一种基于灵敏度矩阵特征的正则化参数自动优化选取方法以保证反演的稳定收敛.反演算例验证了本文提出的频率域海洋CSEM二维反演算法的有效性.

岩石和混凝土材料参数识别的修正高斯-牛顿算法

基于位移原形观测资料，采用修正的高斯－牛顿算法求解最小二乘问题识别混凝土和岩石介质的弹性模量。建 立了考虑先验信息的修正高斯－牛顿算法的迭代格式和迭代步长的确定方法。结合数值算例，研究了参数识别中需要 解决的反问题的唯一性和稳定性问题。最后介绍了此方法在工程中的实际应用情况。

基于最优加权组合模型及高斯-牛顿法的滑坡变形预测研究

在对最优加权组合理论和高斯-牛顿法优化非线性模型参数的方法研究的基础上,依托于洒勒山滑坡的实际变形监测资料,建立了该滑坡变形预测的3个非线性预测模型:指数模型、Verhulst模型和灰色GM(1,1)模型;利用最优加权组合理论建立了洒勒山滑坡的最优加权组合预测模型,并运用高斯-牛顿法对各单一模型和组合模型的参数进行了优化。通过对比分析得出:组合模型的预测精度高于任何单一模型的预测精度;参数优化后各单一模型的预测精度都有不同程度的提高;参数优化后的组合模型预测精度是最高的。因此,综合运用最优组合理论和高斯-牛顿法处理滑坡预测预报模型,是提高滑坡预测预报精度的行之有效的方法。

一种基于遗传算法和高斯-牛顿法的合成算法在放射性药物生物动力学数据分析中的应用

本文提出一种基于遗传算法和高斯-牛顿法的合成算法。通过一个实例介绍了其在放射性药物生物动力学数据分析中的应用。利用计算机编程实现数据拟合。结果表明合成算法优于单纯的遗传算法或高斯-牛顿法,在实践中有一定的应用价值。

基于反向合成高斯牛顿的半全局立体匹配算法

针对数字散斑投影三维测量技术中的立体匹配问题,提出基于反向合成高斯牛顿的半全局立体匹配算法。该算法采用基于Census变换的匹配代价值来衡量像素点间的相似性,通过代价聚合算法增强匹配代价对噪声的鲁棒性;在此基础上,提出基于一阶形函数的反向合成高斯牛顿算法,实现亚像素级别的视差优化;最后,提出耦合唯一性检查、左右一致性检查以及连通区域约束的错误视差剔除算法,消除由遮挡和噪声引起的错误视差。实验结果表明,该算法可精确、稠密、完整地重建出复杂物体的三维形貌,重建精度优于0.06mm。

利用广义逆修正的高斯-牛顿算法求解脑磁逆问题

在脑磁图的理论研究中 ,通过求解脑磁逆问题以确定磁源参数是一个重要的问题。由于磁场方程为非线性方程 ,难以给出解析解。而利用最优化方法可以对这种源参数进行估计。在多种常用的非线性局域优化算法中 ,高斯 -牛顿算法具有较快的收敛速度。在采用这种算法计算时 ,须考虑关于最小二乘残差的雅可比矩阵的奇异性问题。一般情况下 ,出现奇异时 ,一种修正方法是采用负梯度方向作为迭代方向 ,这样可能造成收敛速度的下降 ;另一种被称为 L evenberg- Marquardt方法的 ,是通过在矩阵中增加一些修正因子 ,来改善矩阵性质使之非奇异。这里采用一种基于 Moore- Penrose广义逆的修正方法 ,并证明了这种方法可以保证成功的迭代搜索方向。模拟计算表明 :在合理选择迭代初始值的条件下 ,对于只有一两个偶极子源的情况 ,这一修正的高斯

阻尼型高斯-牛顿法及其在高频电磁波测井反演中的应用

提出一种改进的阻尼型高斯 牛顿优化算法 ,通过引入阻尼矩阵 ,对反演参数依其相对修改量不同而给以不同的阻尼作用 。

基于高斯过程回归的进气压力对船用柴油/甲醇组合燃烧发动机替代率拓宽研究

为使柴油/甲醇组合燃烧(diesel/methanol compound combustion,DMCC)船用发动机满足日益严苛的排放法规,同时获得更高的经济效益,通过调节发动机进气压力,拓宽不同负荷下甲醇替代率,进而实现排放和燃油消耗率的同步下降。利用高斯过程回归模型,结合试验数据和仿真模型,分析了在不同负荷下进气压力对甲醇替代率边界的影响。并绘制了甲醇替代率边界MAP图,进一步分析了拓宽比例。随后建立了发动机有效燃油消耗率和NO_(x)排放的预测模型。将所建模型与非支配排序基因算法-Ⅱ(nondominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)相结合,对有效燃油消耗率(brake specific fuel consumption,BSFC)和NO_(x)排放进行优化,获得最优Pareto前沿解集并选取最佳控制参数组合。最后将最优控制参数组合标定至电子控制单元(electronic control unit,ECU)中进行试验验证。结果表明:调节进气压力可使甲醇最大替代率平均拓宽12.7%。相较纯柴油模式,优化后BSFC平均下降5.6%,NO_(x)排放平均下降16.4%。

分段对称反向高斯-约当消元法及其应用

求解变系数方程的高斯消元法与高斯-约当消元法计算原理类似、问题相近,但前者计算速度高于后者。提出分段对称反向高斯-约当消元法,其中包括根据系数矩阵结构特点构成特殊增广阵,以展示和应用元素的变化规律,并分段对上下三角元素消元以大大提高计算效率。对矩阵下三角元素正向消元及对称计算可简化所有下三角元素计算,而对上三角元素反向消元可再省略所有上三角元素计算,而取倒后的对角元素作为规格化因子可大大减少除法计算。根据单位矩阵结构特点,对其规格化或对系数矩阵上下三角元素消元时均仅计算部分对角元素和下三角元素可进一步提高计算效率。所有元素均用四角规则计算而无需计算公式以简化计算和编程。新方法大大减少了高斯-约当消元法中元素的计算,且原理简单、易于编程,可快速求解各种变系数方程,还可利用元素对称性求解常系数的节点阻抗矩阵。与高斯消元法和高斯-约当消元法相比,新方法计算速度大大提高。

高斯回波模型在超声回波模拟中的应用及其迭代算法的讨论

本文将超声回波模拟成被高斯白噪声污染的高斯回波,并建立关于一系列估计参数的非线性模型,如回波的频带宽度,到达时间,中心频率,相位及回波幅度。这些参数对于超声无损检测中材料检测、目标探测、目标分类、及速率测量等密切相关。运用高斯-牛顿算法进行迭代计算,该算法能以较少的迭代次数计算出较为精确的参数向量,但该算法对到达时间τ的初值设置较为敏感。

基于组合输入ES-GA-BP的中欧班列货运量预测

中欧班列是推动“一带一路”倡议的重要支撑,科学合理地预测班列需求,对中欧班列运输方案的制定具有重要意义.以中欧班列铁路货运量预测为对象,统筹考虑中欧班列货运量的波动性和影响因素,提出一种基于组合输入指数平滑-遗传算法-反向传播(ES-GA-BP)神经网络的货运量预测方法.分析中欧班列货运现状,选取相关性高的影响因素作为神经网络输入;采用指数平滑法对波动较大的中欧班列货运量历史数据进行单项拟合预测,以优化神经网络输入;利用遗传算法优化反向传播神经网络参数,进一步提高预测精度;以“湘欧快线”国际运输通道货运集装箱数量预测为实例,验证方法的有效性.结果表明,组合输入ES-GA-BP方法适于解决波动较大的货运量预测问题,预测精度较好,有助于制定合理的中欧班列运输方案.

基于蚁狮算法优化的BP-RBF功放行为模型研究

为了准确描述射频功率放大器特性,在仿真过程中,建立一个良好的功放行为模型就变得极其关键。文中提出了一种基于蚁狮算法(Ant Lion Optimizer,ALO)优化的BP-RBF级联神经网络射频功放行为模型,首先,采用飞思卡尔半导体芯片设计射频功放电路,对从设计的电路中提取出的电压数据进行处理,然后利用蚁狮种群中的多个个体并行寻优的能力,优化BP-RBF神经网络的权值和阈值,对改进优化后的ALOBP-RBF神经网络模型进行MATLAB仿真,通过比较电压均方根误差验证模型精确性。仿真结果表明,相比于BP-RBF、GABP-RBF模型,该模型具有更高的精度、更快的收敛速度,可以精确地模拟功率放大器的特性,对射频电路的建模具有重要意义。

基于Levenberg-Marquardt算法的用户击键特征鉴别

Levenberg Marquardt算法是神经网络、高斯 牛顿法与梯度下降法的结合 ,既有神经网络的自学习特性 ,也有高斯 牛顿法的快速收敛特性 ,还有梯度下降法的全局搜索特性。文中将Levenberg Marquardt算法应用于对用户输入口令时敲击键盘的时间特征进行分析鉴别 ,从而进行用户附加身份认证。研究表明 ,LM算法显示出速度快、识别准确率高的优越性能。

基于变分正则化的混合泊松-高斯噪声图像去噪方法综述

对基于变分正则化的混合泊松-高斯噪声图像的去噪模型及算法进行综述.首先,简要介绍了2个针对单一类型噪声的去噪模型,包括处理高斯噪声的ROF模型和处理泊松噪声的TV-KL模型;然后,在此基础上重点介绍基于变分正则化方法的混合泊松-高斯噪声去噪模型,包括通过最大后验估计推导的精确泊松-高斯噪声去除模型、Shifted-Poisson模型、TV-IC模型,以及广义的Anscombe变换模型和PURE模型等;相应地,总结了求解上述模型的常用高效数值算法,包括原始-对偶算法、交替方向乘子算法和半光滑牛顿算法等;在数值实验部分,对相关模型的噪声去除效果进行评估;最后,对该领域未来的研究方向进行了展望,指出了在模型改进、具有收敛性保证的算法设计、自动调参策略以及高维非线性等几个方面存在的问题和未来的发展方向.

一种LM-BP加速搜索的周跳探测与修复方法

针对传统三频周跳探测与修复方法中的不敏感、漏检以及效率较低等问题,提出一种基于莱文伯格-马夸特(LM)-反向传播(BP)神经网络加速搜索法的伪距相位组合与电离层残差组合联合周跳探测与修复方法:利用2个伪距相位组合以减少不敏感周跳数量,利用1个电离层残差组合以提高小周跳探测敏感度;在构成3个线性无关的组合观测值后,使用LM-BP加速搜索算法进行周跳探测与修复。实验结果表明,相对常规的伪距相位组合与电离层残差组合联合方法,该方法能够提高周跳探测与修复性能,可探测小至1个的周跳,探测与修复整体时效有较大提升。

多策略改进的蜣螂优化算法

针对蜣螂优化算法(DBO)搜索精度较差、全局搜索能力不足、容易陷入局部最优等问题,提出一种多策略改进的蜣螂优化算法。选用混沌反向学习策略初始化蜣螂种群,使得蜣螂个体在解空间内分布均匀,提升种群多样性;引入带非线性权重的黄金正弦策略改进滚球行为,协调算法的全局搜索与局部挖掘能力;借鉴麻雀搜索算法的加入者位置更新策略改进觅食行为,促使种群向最优位置靠近,提高算法收敛速度与收敛精度;以分段函数形式改进偷窃行为,利于种群在迭代前期对全局充分探索,避免算法过早收敛;采用非线性权重的柯西-高斯变异策略对当前最优位置进行随机扰动,引导算法跳出局部最优位置。将所提算法与5种优化算法在23个基准函数、12个CEC2022测试函数及2个工程优化问题上进行实验对比,结果表明,所提算法至少在21个基准函数、10个CEC2022测试函数及2个工程优化问题上的性能指标优于其他算法,且排名第1,相比于原始蜣螂优化算法,在收敛精度、收敛速度、全局搜索能力以及稳定性上都有较大提升。

基于模拟退火算法的超声回波参数估计

本文应用模拟退火算法来改进超声回波模拟问题。仿真结果表明,该算法不需计算梯度,与初始选择值无关,并可在较大范围内搜索。从而避免了应用高斯-牛顿迭代法模拟超声回波的缺陷,即解决了选择的初始值只有在真实值附近才能迭代出最优解的问题。

神经网络中处理鞍点的LMBP改进算法

针对目前神经网络中的Levenberg-Marquardt反向传播(LMBP)算法在训练过程中有可能迭代到鞍点的问题,提出一种能有效克服鞍点的LMBP改进算法。计算鞍点处雅克比矩阵的正特征值对应的特征向量并将其作为新的搜索方向。通过实例对比传统LMBP算法与改进LMBP算法的效果,证明改进的算法能有效地脱离鞍点并进一步收敛到极小点处。

超声回波参数的蚁群算法估计

将用于连续函数优化的蚁群算法应用于超声回波参数估计.根据高斯回波模型,给出了用于超声回波估计的蚁群算法的基本原理和参数估计步骤.通过数值仿真,对不同信噪比条件下超声回波参数中的到达时间和中心频率进行了估计.结果表明:该方法不依赖于初始值的选取,可在较大范围内搜索,得到全局最优解,避免了高斯-牛顿迭代法模拟超声回波的缺陷,即解决了选择的初始值只有在真实值附近才能迭代出最优解的问题.通过与高斯-牛顿迭代法和模拟退火算法的比较,证明了蚁群算法是一种有效的回波参数估计方法,具有较高的精度.