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。

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。

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。

L-M优化BP算法在短期负荷预测中的应用

在分析传统BP算法的不足的基础上,提出了将Levenbery-Marquardt优化法与神经网络模型相结合的L-M优化BP算法。此方法与传统算法相比学习速度得到了提高,网络的收敛加快,尽量避免了系统陷入局部最小;针对某电力局某地区的单条线路的实际数据,采用基于Levenbery-Marquardt优化的BP算法的神经网络模型对其进行了仿真,结果表明该方法具有较高的预测精度和较强的适应能力。

基于L-M优化BP神经网络的风电功率预测

在传统BP算法的基础上,将Levenbery-Marquardt优化法与神经网络模型相结合的L-M优化BP算法进行了深入应用和分析。此方法与传统算法相比提高了系统的学习速度,加快了网络的收敛。针对某风电场58台机组额定功率为850 kw的风电机组20天(每15分钟一个预测点)的历史数据使用L-M算法优化下的前馈神经网络模型——BP神经网络模型进行了该风电场的实时预测,结果表明该方法在一定程度上更好的逼近了真实的曲线。

基于BP神经网络L-M优化算法的喷液式线切割工艺参数优化

为了解决大能量切割时常因放电极间供液不足而出现干切和断丝的现象,提出在工作液高压浇注供液方式的基础上,增添跟踪喷液辅助系统。该系统可减少或消除供液喷嘴与切割表面间的喷液流失,提高工作液的极间进入量和极间平均流动速度,进而改善极间放电条件。在搭建的喷液系统上进行了正交优化试验,研究了功放管数、脉冲间隔、切割厚度、脉冲宽度、运丝速度等因素对切割效率的影响,确定了线切割优化工艺参数,获得了200 mm^2/min以上切割效率。借助L-M优化算法的BP神经网络搭立了线切割加工工艺网络预测模型,预测精度较高,为跟踪喷液式高速走丝线切割机的高效切割提供了可靠的工艺参数预测模型,满足实际加工需要。

基于L-M优化算法的学分绩点预测模型构建

利用学生历史成绩数据和课程之间关系,构建基于BP神经网络的学分绩点预测模型,具有一定的理论和实际应用价值。BP神经网络能够自适应学分绩点统计中课程之间的层次和网络关系,非常适合用于复杂非线性关系的预测。比较了不同算法训练的网络预测结果,发现L-M优化算法预测性能最优。最后,运用函数进行仿真,然后将仿真结果与样本数据对比,验证了L-M优化算法预测模型准确性高,能够用于学分绩点的预测。

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.

足球机器人全局视觉系统的快速标定方法

足球机器人全局视觉系统为决策系统提供机器人位姿信息,决策系统进行机器人的路径和动作规划;竞赛规则要求视觉系统必须现场安装调试,因此标定过程必须快速有效,且具有较高的精度;针对足球机器人全局视觉系统的特殊应用场景,提出了一种基于两步法简化标定模型的快速有效标定算法;利用近似欧拉角旋转矩阵建立摄像机标定模型,确定需要求取的摄像机内外参数,根据标定模型,对内外参数的求解过程进行了推导;借助场地上现有的一些标志点作为靶标,对模型的内外参数进行分步求取初始值,并利用L-M优化算法对摄像机内外参数进行分步优化求取精确值;通过实验分别从标定误差和机器人动作实现效率两个方面与其他标定算法进行对比,验证了该算法具有较高的标定精度;实验表明,本算法的优点在于不用借助专门的标定靶标,即可快速有效完成相机标定,标定精度可达±1 mm,完全能够满足决策系统的控制精度要求,且标定过程简单易实现。

基于正交试验和BP神经网络的Ti-6Al-4V合金电火花线切割工艺参数优化

针对切削性能差难以加工的Ti-6Al-4V合金进行了电火花线切割加工试验研究,运用正交试验的方法对工艺数据进行极差、方差分析,探究电火花线切割加工的规律和特性。重点分析脉冲宽度、脉冲间隔、功放管数和运丝速度等工艺参数对钛合金加工质量的影响,取得了线切割最优化参数组合。搭建了基于L-M优化算法的BP神经网络的线切割加工工艺网络预测模型,该模型训练速度快、预测精度高,可为Ti-6Al-4V合金的切割提供可靠的加工质量预测,对实际加工的参数选择具有一定的参考作用。

BP神经网络L—M优化算法在地下水动态预测中的应用

根据地下水动态的时间序列数据资料,建立地下水动态模型,应用BP神经网络的L-M优化算法进行模拟和预测,并与灰色模型预测法的分析结果进行比较,得出该方法不仅简单可行,而且预测精度更高,可在地下水动态、河流水质、大气环境质量预测等方面广泛使用的结论。

基于BP网络的高新技术产业用地适宜性评价

在分析目前用于土地适宜性评价主要方法及其存在主要问题的基础上,引入了人工神经网络理论来解决自动定权问题。根据构建的高新技术产业土地适宜性评价指标体系,应用GIS和BP神经网络的L-M优化算法对济南市高新技术产业用地适宜性进行了评价。结果表明:济南高新技术产业用地的土地适宜性可划分为5类,模拟结果比较理想。

基于Sigmoid函数参数调整的双隐层BP神经网络的板形预测

提出一种改进的BP神经网络处理板形缺陷数据的方法,建立双隐层BP神经网络模型,并对Sigmoid激活函数的形状进行调节。将其应用到冷轧的板形缺陷识别中,与利用Levenberg-Marquardt规则训练的BP神经网络预测结果作对比,表明该方法不仅有效地减少双隐层BP网络的学习时间,同时改善了网络的泛化能力,有利于板形缺陷在线识别。

嵌入式大气数据系统神经网络算法仿真

针对嵌入式大气数据系统(FADS)的特点,研究了其空气动力学模型,提出了相应的神经网络算法结构,并对动压与静压神经网络计算模块进行了部分仿真。通过仿真比较了BP神经网络L-M优化算法与贝叶斯正则化算法在FADS中的应用,并通过相应的仿真研究了不同压力点组合计算动、静压时的差异。仿真结果表明贝叶斯正则化算法的泛化能力较好,具有工程应用潜力。

用数模结合的方法实现AM-OLED的白平衡

由于单独使用数字算法会导致灰度级降低,而单独使用模拟算法难以实现微调或者电路过于复杂,文章采用数模结合的方法实现了AM-OLED的白平衡,即通过先后进行模拟调节和数字调节,弥补了二者的不足。先根据三基色确定驱动电压,完成了模拟调节。再进行数字调节,采用了基于L-M优化法的BP学习算法,对OLED的传输特性曲线进行拟合。该算法与传统BP算法相比学习速度得到了提高,网络的收敛加快,避免了系统陷入局部极小的状况。仿真结果和显示结果表明,这种方法实现了图像的白平衡。

神经网络预测控制在加热炉炉温控制中的仿真研究

针对加热炉处于干扰环境下的不确定性、非线性、大滞后和大惯性特点,采用径向基神经网络(Radial Basis Function,RBF)建立加热炉炉温预测模型,以实现炉温预报。同时设计以L-M(LevenbergMarquardt)优化算法为基础的控制器对加热炉炉温进行滚动控制。针对L-M优化算法对初始值敏感的问题,采用RBF逆神经网络动态确定算法初始值。仿真结果表明所提方法在不同工况下均具有较快的调节时间和较小的超调量。

奇异值分解在气液两相流流型识别中的应用

提出了一种将相空间重构和奇异值分解相结合的气液两相流流型识别方法。该方法首先利用相空间重构方法构造压差波动信号的吸引子轨迹矩阵,然后对该矩阵进行奇异值分解得到矩阵奇异值,将其作为流型的特征向量。针对BP神经网络收敛速度慢和容易陷入局部极值的问题,采用L-M优化计算的方法,设计了流型识别的BP网络模型。研究结果表明:该方法可以有效地识别水平管内空气-水两相流的4种典型流型,与其它改进算法相比,L-M优化算法的识别率最高,达到了95%,为流型的识别提供了一种新的有效方法。

采用BP神经网络模型预测改性骨胶的初始黏度

建立了一个基于L-M(Levenberg-Marquardt)优化算法的BP神经网络预测模型,用于骨胶初始黏度的预测。对涉及骨胶接枝改性的几个主要因素,如氢氧化钠用量、碱解时间、接枝共聚温度、环氧氯丙烷用量和接枝共聚时间等为考察对象,以初始黏度为指标,对16个试验样本进行了训练建模,并对2个测试样本进行了预测。结果表明:骨胶初始黏度预测值和试验值符合良好,相对误差小于2%。该方法可行有效,为快捷、经济地开发研制新的胶粘剂提供了新的思路和有效手段。

基于遗传BP神经网络的内圆磨削ZTA陶瓷材料去除率预测

针对磨削加工中材料去除率(MRR)在线检测困难这一问题,构建材料去除率的预测模型显得尤为重要。考虑到单独运用BP神经网络不仅存在收敛速度较慢,而且容易坠入局部最优解等问题,故建立了遗传算法与BP神经网络相结合的模型来对给定的超声频率、砂轮速度、工件速度、磨削深度等工艺参数对材料去除率(MRR)进行预测。首先运用遗传算法的全局搜寻作用来对BP神经网络的最初权值以及阈值进行优化,而后运用L-M优化算法对网络进行多次训练,利用训练好的BP神经网络模型来对输出进行预测。结果表明:遗传算法与BP神经网络相结合的模型比单独使用BP神经网络模型预测效果要好,能够提高材料去除率的预测精度和收敛速度。