求解非线性方程组的非单调自适应加速Levenberg-Marquardt算法

提出一种新的求解非线性方程组的非单调自适应加速Levenberg-Marquardt算法,该算法使用一种新的自适应函数更新Levenberg-Marquardt参数,这种Levenberg-Marquardt参数的更新方式可提高过于成功的迭代中模型与目标函数的一致性,从而加快算法的收敛速度.数值实验结果表明,该算法具有良好的数值计算性能.

一种求解非线性方程组的有效Levenberg-Marquardt算法

通过修改LM参数,并结合非单调技术和信赖域技术给出一种求解非线性方程组的有效Levenberg-Marquardt算法,即AMLM算法。在局部误差界条件下,证明了AMLM算法具有局部快速收敛性。数值实验结果表明,AMLM算法稳定、有效。

一种求解绝对值方程的非精确Levenberg-Marquardt算法

本文首先运用一个光滑逼近函数对绝对值方程进行光滑化处理.其次提出了一种非精确光滑化Levenberg-Marquardt算法,并证明了算法具有全局收敛性.最后给出了数值实验证明算法有效性.

一种求解非线性方程组的修正Levenberg-Marquardt算法

通过修改Levenberg-Marquardt(LM)参数,结合信赖域方法给出一种新的求解方程组的LM算法。在局部误差界条件下,证明了该算法具有局部快速收敛性。数值实验结果表明,此算法稳定、有效。

Levenberg-Marquardt算法在行波管电子枪多参量优化中的应用

行波管作为一种广泛应用于电子对抗等领域的真空电子器件,其性能在电子信息化飞速发展的21世纪被提出了更高的要求。电子枪是行波管中一个至关重要的部件,因此电子枪的优化设计是提升行波管性能的有效方式。行波管电子枪根据性能要求由迭代综合法或非迭代综合法计算得到各电极参量的初值后,进一步对电子枪参量进行优化时,一般采用参数扫描法,针对多参量多目标函数优化时往往处理数据量大,优化速度慢。本文构建了对电子枪电性参量、结构参量同时进行优化的Levenberg-Marquardt算法,可以处理多目标函数多参量问题,提高优化效率,并以此为基础对一个可应用于行波管的电子枪的电极参量及其外加磁透镜的磁极参量进行了优化,最终电子枪发射性能参数达到阴极总发射电流2.5114 mA,注腰半径11.23μm,注电流密度633.6504 A/cm^(2),面压缩比79.2650。

一种自适应的线搜索Levenberg-Marquardt算法

通过自适应的选择Levenberg-Marquardt(LM)算法的LM参数,结合Armijo线搜索技术给出一种自适应的线搜索LM算法.在局部误差界条件下,证明了新算法具有二次收敛性.用新算法求解非线性方程组,数值结果表明,新算法稳定,有效.

一种带有新参数的Levenberg-Marquardt算法

通过修改Levenberg-Marquardt算法中的LM参数,给出一种新的Levenberg-Marquardt算法.在弱于非奇异的局部误差界条件下证明了该算法的全局收敛性及局部二次收敛性,并给出数值实验比较.特别地,用该算法求解障碍自由边界问题,数值结果表明该算法稳定,有效.

基于Levenberg-Marquardt算法的图像拼接

Levenberg-Marquardt(简称LM)算法是高斯一牛顿法和梯度下降法的结合,既有高斯牛顿法的快速收敛性,也有梯度下降法的全局搜索特性。将LM算法应用于图像拼接过程中变换矩阵的参数自动优化中,通过对多个对应点的自动优化后,可以较快得到变换矩阵,从而实现图像拼接。在LM算法中,以对应点距离的平方和作为目标函数,给出此方法详细的实现过程与结果。与以灰度差平方和为目标函数相比,避免了提前采用插值算法,从而求得的M变换矩阵更精确。结果表明,该方法实现图像拼接的精度高,速度快。

Levenberg-Marquardt算法在测风激光雷达中的应用

分析了直接探测测风激光雷达中的Fabry-Perot标准具透过率的非线性理论模型。根据实验测量数据,利用Levenberg-Marquardt算法对理论模型进行参数优化估值,获得测量数据的最佳拟合曲线。数值计算表明,pseudo-Voigt函数能快速且很好地近似计算Voigt线形。对于Fabry-Perot标准具的宽带光透过率频谱响应曲线,可以采用Voigt函数拟合,也可以采用pseudo-Voigt函数拟合;当透过率频谱响应曲线用于风速反演时,若采用pseudo-Voigt函数拟合会造成低于1 m/s的测速偏差,因此必须采用Voigt函数拟合。

牛顿法与Levenberg-Marquardt算法的比较及在介损角测量中的应用

首先分析了牛顿法和Levenberg-Marquardt算法的原理,给出了它们在介损角测量中的计算公式和计算步骤。仿真信号的计算结果表明,电压和电流信号都能准确获得时这两种算法均能有效计算介损角,但Levenberg-Marquardt算法具有更好的性能。

基于Levenberg-Marquardt算法的线性热变形补偿系数矩阵优化

根据增强参考系统点(ERS点)热变形的线性特点,建立ERS点线性热变形模型,利用线性热变形补偿系数矩阵对ERS点热变形进行补偿.提出一种基于Levenberg-Marquardt(LM)算法的线性热变形补偿系数矩阵优化方法,构建多组补偿后的ERS理论值与测量值之间最小加权距离误差函数的优化模型,采用LM算法求解.以壁板工装为例,通过仿真计算得出在多优化参数、多数据量情况下,优化时间在可以接受的工程应用范围内.通过实验验证了该方法有效地减小了转站误差,修正转站参数,得到的单位温度下的热变形系数矩阵稳定可靠.

几种高阶收敛的Levenberg-Marquardt方法在潮流计算中的应用

针对现代电力系统日益复杂的运行工况使得常规潮流算法面临不收敛的问题,在已有三阶和四阶收敛的改进Levenberg-Marquardt(LM)算法的基础上,通过不断引入LM近似迭代步,提出了2种高阶收敛的LM算法(五阶收敛的LM算法(LM5)、六阶收敛的LM算法(LM6))用于电力系统潮流计算。根据所提方法得到的最小二乘解,分析系统薄弱节点的相关信息,为电力运行部门潮流调整以及潮流收敛性的改善,提供有价值的参考信息。为了体现所提算法的收敛性和鲁棒性,将所提算法、牛顿法、二阶收敛LM法(LM2)、三阶收敛LM法(LM3)、四阶收敛LM法(LM4)分别在"良态"、"不同初始点位置"、"重负荷"、"小阻抗支路"、"线路或发电机故障"等工况下进行测试。算例表明:"良态"情况下,所提的高阶收敛LM算法具有迭代次数少、雅可比矩阵计算次数少的特点;"病态"情况下,在一定程度范围内,引入近似LM迭代步能够改善潮流收敛性,但超出该程度范围,不断引入近似LM迭代步对潮流收敛性的改善作用不明显。

基于Levenberg-Marquardt算法的神经网络监督控制

提出了基于Levenberg Marquardt(L M )算法的前向多层神经网络在线监督的控制方法 ,其算法是梯度下降法与高斯 牛顿法的结合 .对于训练次数及准确度 ,L M算法明显优于共轭梯度法及变学习率的BP(BackPropagation)算法 ,适用于在线学习与控制 .因此 ,利用L M算法的特点进行在线训练神经网络 ,以实现实时非线性控制 .仿真结果表明 ,该控制方法优于常规控制算法 ,明显改善了在未知负载扰动时 ,伺服系统的跟踪性能 ,显著地降低了跟踪误差 。

一种改进的Levenberg-Marquardt辨识算法

提出一种新的辨识算法对输出误差系统的参数进行辨识。运用Levenberg-Marquardt算法解决高斯牛顿法无法求逆的问题。一般算法中采用系统输出代替未知变量,但是系统输出中带有测量噪声会影响系统辨识算法的精度。为了解决这一问题,引入辅助模型思想,建立辅助模型,用辅助模型输出代替系统中的未知变量。带有固定遗忘因子的辨识算法,收敛速度较慢,预测精度较低。为了解决这一问题,引入基于预测误差的可变遗忘因子,加快算法的收敛速度,提高算法的预测精度。最后,通过仿真证明了本文算法的有效性。

基于改进Levenberg-Marquardt算法的燃气轮机特性拟合优化

基于改进的Levenberg-Marquardt算法,对燃气轮机部件精确特性获取中的特性曲线拟合问题进行了研究,引入一种新的阻尼因子λ迭代方法,使改进的Levenberg-Marquardt算法能很快接近最优解,并能跳出局部最优的陷阱,在保证解质量的同时提高了收敛速度。建立了燃气轮机特性拟合数学模型,并应用改进Levenberg-Marquardt算法获取燃气轮机部件的特性方程。实例计算结果表明:较普通Levenberg-Marquardt而言,改进的Levenberg-Marquardt算法拟合效果更好。

Levenberg-Marquardt神经网络在煤矿作业人员人因可靠性评价中应用研究

依据人因可靠性原理、事故致因理论,结合煤矿生产系统的特点,提出了观测可靠度的概念,确立了一系列便于统计和赋值的人因可靠性评价指标.针对人因失误事件过程的动态性、复杂性以及数据的不完整性,利用BP神经网络对非线性动态系统的自学习性和自适应性的特点,建立了基于BP神经网络的煤矿作业人员人因可靠性评价模型.运用Levenberg-Marquardt算法改进的BP神经网络,克服了收敛速度慢,容易陷入局部极小点的缺点,提高了预测精度和稳定性.对于岗位工龄短或有效记录不足的煤矿作业人员,采用BP神经网络模型进行了人因可靠性评价.评价结果表明,基于BP神经网络的煤矿作业人员人因可靠性评价方法具有较好的适用性和可行性.

基于Levenberg-Marquardt算法和最小二乘方法的小波网络混合学习算法

本文针对小波网络现有学习算法的不足 ,把 L evenberg- Marquardt算法 (简称 L M算法 )和最小二乘算法有机地结合在一起 ,提出了一种新的小波网络混合学习算法 .在该混合算法中 L M算法用来训练小波网络的非线性参数 ,而最小二乘算法用来训练线性参数 .最后以辩识一个混沌系统为例进行了数值仿真 ,并与改进的 BP算法和单纯 L M算法进行了比较 。

缺陷关联参数红外检测Levenberg-Marquardt改进识别算法研究

对Levenberg-Marquardt(LM)算法在缺陷参数估计修正过程中无法确保参数几何关联性的局限性进行改进,并保留原算法快速收敛的特性.以二维试件内部矩形缺陷红外检测为例,采用数值实验方法比较改进前后的LM算法,分析初始假设、红外测温误差对缺陷定量识别结果的影响.数值实验表明:改进后的LM算法参数修正过程中确保了关联性的一致性;不同初始假设对缺陷识别结果的影响不大;受红外测温误差的影响,各缺陷参数之间表现出不同的识别精度.

基于投影的Levenberg-Marquardt圆柱拟合

圆柱拟合的精度和速度一直是逆向工程领域中一个需要解决的难题。Levenberg-Marquardt作为非线性最小二乘方法在圆柱拟合方面得到一定应用,其初值的选取对拟合收敛性有较大影响。为了减少初值对拟合收敛性的影响,提高拟合的精度和速度,提出用投影方法寻找圆柱参数,作为Levenberg-Marquardt拟合的初值,继而进行Levenberg-Mar-quardt圆柱拟合。实验表明,拟合迭代次数减少,陷入局部最优的可能性降低。这种方法是有效可行的。

缓和曲线正交拟合的Levenberg-Marquardt算法

为了由测量点识别既有线路中的缓和曲线参数,研究了基于参数方程的缓和曲线正交拟合迭代优化方法.首先,通过特征值分析,阐明了由于病态性的存在,在迭代过程中,常规的Gauss-Newton(GN)算法会发散.其次,提出了双目标优化模型,将GN算法与最速下降法结合,确定了正交拟合缓和曲线的Levenberg-Marquardt(LM)算法.同时提出了在寻优过程中,评估当前迭代位置距离最优位置的远近来动态设置LM参数.最后以一段缓和曲线的实测点为例,随机取样了5000例初值,采用蒙特卡罗方法对比了GN算法和LM算法拟合缓合曲线的性能.试验结果表明:GN算法拟合缓合曲线不收敛;对于不同的初始值,LM算法都收敛到相同的最优值,体现了LM算法具有良好的稳健性;LM算法的迭代次数最少为5次,最大为50次,平均为16.8次,迭代次数和初值与最优值位置的远近相关.