The Application of Levenberg-Marquartb Algorithm in EEG Inverse Problem

EEG inverse problem has great significance and importance for both cli nical and research applications. It discusses EEG dipole source localization pro blems solved by nonlinear local optimization methods, such as Levenberg-Marquar t b. This paper presents the relation between location errors and noise level on c ondition that the source number is known; if the source number is not known, the selected number in model may not equal to the actual one, and a computation is carried out and a corresponding discrimination criteria is proposed. Computer si mulation demonstrates that Levenberg-Marquardt algorithm is better than global methods if the source number is small.

基于响应面法的堆石体流变模型参数反演

混凝土面板堆石坝具有造价低、抗震性好等优点,但其在蓄水运行后发生流变变形,易造成防渗体结构破坏。为准确预测混凝土面板堆石坝流变变形规律,必须精准确定堆石体的流变参数。为此,首先基于大坝位移监测数据,采用响应面法建立Burgers流变模型参数与堆石坝运行期流变位移之间的响应面函数,通过构造测试样本参数组检验响应面函数的计算精度;其次使用Lev⁃enberg-Marquart算法搜索目标函数最小值,求解出最优参数组合,反演得到流变参数;最后根据反演的流变参数进行有限元正分析,将特征点流变位移与实测值比较,验证响应面函数是否能满足反演要求。算例分析结果表明,各典型监测点有限元法计算位移与响应面函数解析的流变位移的相对误差均小于1.5%,响应面法反演的参数精度较高,响应面法应用于面板堆石坝流变模型参数反演分析是可行的。

基于LM-CNN的输变电工程造价自动计算模型

输变电工程造价计算作为造价管控技术的核心环节,其计算模型的好坏直接影响输变电工程造价管控效能。然而现有模型往往不能兼顾计算速度、精确性与稳定性。为解决上述问题,首先,针对输变电工程造价中的实际需求确定模型的输入与输出,构建卷积神经网络模型;然后,将历史造价数据作为样本输入网络模型,得到网络输出;最后,针对期望输出与实际输出相差较大的问题,利用列文伯格-马夸尔特算法对卷积神经网络的权重参数进行优化,完成模型训练。该模型结合列文伯格-马夸尔特算法与卷积神经网络模型的优点,相比于反向传播(BP)神经网络与梯度下降法-卷积神经网络(GD-CNN)具有更高的预测精度与稳定性,提高了输变电工程造价的计算效果。

神经网络理论在黄河宁蒙河段冰情预报中的应用

本文研究了以神经网络理论为核心的黄河上游宁蒙河段冰情预报.通过分析河流冰情特点,开发出了用Levenberg-Marquart算法改进传统BP神经网络理论进行冰情预报的数学模型,适用于流凌、封河、开河、水温、流凌密度、冰塞、冰坝等的预报.把该模型应用到2004～2005年冰情预报中,提前预报出2004～2005年冰情发生情况,具有良好效果.理论分析和实例论证都表明该神经网络模型能够进行宁蒙河段冰情预报.

LMBP神经网络PID控制器在暖通空调系统中的应用研究

针对BP神经网络学习过程收敛速度慢及易陷入局部极小值的缺陷,研究了levenberg-marquart算法(即LM算法).为解决LM算法中学习速率的选择和逆矩阵的求解这两个严重影响训练时间和收敛精度的问题,采用LU分解法对LM算法进行改进和优化,并通过MATLAB语言编程实现,将得到的LMBP神经网络PID控制器应用于暖通空调冷冻水循环的控制回路中,将其控制效果与PID控制算法、BP神经网络PID控制算法进行仿真对比研究.研究结果表明,采用LMBP神经网络PID控制器在减少超调量、加快收敛速度、减少稳态误差等方面的性能都得到了明显的改善.

神经网络算法在南水北调冰期输水中的应用

通过分析南水北调沿线气候和气温特点,用Levenberg-Marquart算法改进传统BP神经网络算法进行气温稳定转负日期的预报。把该模型应用到南水北调沿线新乡、安阳、邢台和石家庄2003—2006年气温稳定转负日期预报中,取得良好效果。立冬日作为气温转负日期统计的基准点,提高了预报精度,说明中国传统二十四节气对于冰情预报及其它同气温和气候相关的预报有重要的参考价值。

基于自适应权值的点云三维物体重建算法研究

基于三维扫描点云数据的三维物体重建是计算机图形学中非常重要的课题,在计算机动画、医学图像处理等多方面都有应用。其中基于最小二乘问题的Levenberg-Marquart算法和基于极大似然估计的M-Estimator算法都是不错的方案。但是当点的数量过多过少或者点云中有噪声时,这些方案产生的结果都会有较大的误差,影响重建的效果。为了解决这两个问题,结合Levenberg-Marquart算法和M-Estimator算法,提出了一种新的算法。该算法结合Levenberg-Marquart算法较快的收敛性和M-Estimator算法的抗噪性,能很好地解决点数量较多和噪声点影响结果的问题。通过在M-Estimator的权重函数上进行改进,提出自适应的权值函数,用灵活变动和自适应的值代替原来的固定值,使算法在噪声等级较高时也能表现良好。最后将算法应用在球体和圆柱上,并和最新的研究成果进行对比,数据说明算法无论是在点云数量较多还是在噪声等级较高的情况下都明显优于其他已知算法。

通信信号调制识别方法研究

将小波特征提取和BP神经网络理论相结合,设计一种新的调制识别方法。针对非稳定、大信噪比(SNR)变化的通信信号进行了有效的特征提取和分类,实现了通信信号调制方式的识别。收敛速度慢是传统BP算法存在的主要问题,为此提出Levenberg-Marquart算法对其进行改进。实验结果表明,收敛速度及识别正确率得到明显改善。

基于改进混沌神经网络的飞机舵面故障预测研究

结合混沌序列的相空间重构理论和BP神经网络预测理论,构建了一个基于时间序列预测的混沌神经网络模型;考虑基本BP神经网络采用的梯度学习算法收敛速度较慢的缺点,文章利用改进的Levenberg-Marquart(L-M)优化学习算法对网络进行训练;最后对一组飞机舵面卡死故障数据进行仿真实验,结果表明该模型不仅提高了预测精度,而且网络收敛速度也得到明显的改善,有效避免神经网络局部极小问题,可以较好地对飞机舵面卡死故障进行预测。

基于L-M优化神经网络算法的地下水动态模拟与预测

本文根据地下水与其影响因素之间存在的非线性映射关系,在BP网络模型的基础上,提出一种L evenberg-M arquart优化神经网络算法,并将其应用于某地地下水的动态模拟与预测。通过与BP算法的仿真结果比较分析,发现该算法稳定性好,收敛速度快,预测精度高。

基于扩展相位的柱面图像拼接算法研究

提出了一种柱面图像拼接方法,首先利用扩展相位相关算法获取变换矩阵,将其经过Levenberg-Marquart(LM)算法优化之后获取理想8参数模型,其次利用8参数模型进行同心圆焦距的估计,获取柱面拼接图像的半径,最后对投影后的柱面图像再利用扩展相位相关算法、加权融合算法进行拼接,实验验证了这种方法的有效性。

能谱熵向量法及改进LM神经网络在液压油缸内泄漏故障诊断中的应用

针对基于时域组合特征的故障诊断方法的不足,提出一种基于小波包能谱熵分析的液压油缸内泄漏故障诊断方法。分析无杆腔压力信号的时域特征,采用小波包变换提取压力信号的能谱熵并输入到改进LM神经网络进行内泄漏的故障诊断。实验结果表明,无泄漏压力信号的能谱熵向量各元素分布较均匀;而泄漏信号的能谱熵向量各元素差异较大;改进LM神经网络在精度、准确率等方面高于传统BP、LM神经网络。与时域组合特征法进行比较,结果验证算法的高效可检测性。以不同分类器、不同小波基对算法诊断性能的影响进行分析,结果表明,该方法具有很强的稳定性和优越性。

基于数字孪生的Buck电路故障诊断方法

针对Buck电路故障诊断方法存在计算量大和准确率低等问题,提出了一种基于数字孪生的Buck电路故障诊断方法。首先,通过Matlab/Simulink软件平台建立Buck电路的数字孪生模型,并根据Buck电路元器件标称值设置数字孪生模型初始参数;然后,将采集的Buck电路输出电压信号及运行状态映射到数字孪生模型中,根据数字孪生模型与Buck电路的输出电压建立目标函数,并利用Levenberg-Marquart算法迭代优化目标函数,实现数字孪生模型的更新,最终实现Buck电路元器件参数估计;最后,比较数字孪生模型得到的参数估计值与Buck电路元器件标称值,若二者之差超过标称值20%,表明元器件失效,从而实现Buck电路故障诊断。实验结果表明,该方法对Buck电路元器件参数具有较高的估计精度与诊断可靠性。

一种基于面阵相机的在线图像拼接方法

对于生产流水线上输送较慢的大尺寸工件,利用线阵相机对工件进行检测的成本较高和相机的功效不能完全发挥的缺点,提出了一种基于面阵相机的在线图像拼接方法;该方法能在一定的速度范围内有效地对运动物体整体图像进行实时拼接;在图像匹配过程中,该方法运用基于匹配点对误差排序的方法,将正确的匹配提取出来;利用误差阈值内的角点组合来估计单应性矩阵;然后利用Levenberg-Marquart(L-M)非线性优化方法对求得的矩阵参数进行优化得到最终单应性矩阵参数;实验验证结果表明,该方法稳定性好。

±800kV特高压直流GIL关键技术研究

为了提高特高压直流输电线路走廊选择的灵活性,研究可以替代部分架空输电线路的直流气体绝缘金属封闭输电线路(gas insulated metal enclosed transmission line,GIL)具有重要意义。提出了在进行直流GIL绝缘子相关试验时,以带绝缘子的圆柱平板电极替代带绝缘子的同轴圆柱电极的试验方法。结合国外小尺寸电极试验结果,采用麦夸特法拟合得到了考虑表面粗糙度的同轴圆柱电极SF6气体间隙下临界击穿场强估算公式。设计了包含微粒陷阱、微粒驱赶电极和屏蔽环的直流GIL电极结构,并对此进行了电场分布的仿真,结果表明此结构具有抑制金属导电微粒运动的作用。

基于灰色理论和神经网络建立预测模型的研究与应用

根据综合利用灰色理论与神经网络建立预测模型的思路,给出了利用神经网络对模型残差进行修正的灰色GM(1,1)模型综合预测方法。选用我国自1994年至2005年狂犬病发病率统计数据,用灰色GM(1,1)模型对历年的疾病发病人数进行建模,并利用LM算法优化的快速BP神经网络对其残差进行修正,使得建模和预测具有更高的准确性和适应性。实验结果及仿真验证表明,加入修正过程的综合模型,其预测效果远优于单一的灰色模型。

LM优化反向传播网络测定多组分

为了提高此网络算法的学习效率及稳定性 ,在反向传播算法 (backpropagation(BP) )中引入了基于非线性最小二乘法的Levenberg Marquart(LM)最优算法 ,替代原BP算法中的梯度下降法寻找最佳网络连接权值。LM优化算法其学习效率比带动量项的BP算法高一个数量级以上 ,值得推广应用。将其用于混合体系的多组份CAS CTMAB显色体系光度法同时测定Ca、Mg、Fe ,得到平均预测误差为 2 .65 3 4mg L ,平均预测方差为 1 .95 80 ,能够满足多组分测定的需要。

可调对比度目标源装置中对比度的标定

搭建了可调对比度目标源装置,研究了图像对比度和光学对比度的关系,提出了用改进的BP神经网络标定对比度的方法。首先,设计了用于对比度标定的BP神经网络模型。然后,利用LM(Levenberg-Marquardt)算法结合缩放法改进神经网络以提高其收敛速度及泛化能力。最后,通过可调对比度目标源装置实验平台,由测量的辐照度得出了对应的图像对比度数据,使该装置可以通过调节辐照度实时获得规定的对比度。与传统BP神经网络方法相比,改进后的BP神经网络收敛速度快,泛化能力强。标定精度比经典BP算法提高了100倍,比最速下降法提高了10倍。训练次数仅需2 876次时,对比度的标定值与目标值的误差最大值是0.01%,训练均方误差收敛为0.000 459 441,测试误差收敛为0.000 467 003,满足了对检验装置中对比度标定的需要。

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。

基于主元分析和BP神经网络对刀具VB值预测

对声发射信号进行5层小波分解提取6个频段的能量值,把它与切削速度、切削深度、进给量和切削时间一起作为刀具状态的特征向量.通过主元分析进行降维、消除特征向量间的相关性后,把得到的主元作为BP(Back Propagation)神经网络的输入向量.BP神经网络应用改进的LM(Levenberg-Marquart)算法进行学习,利用输入向量对网络进行训练后,实现对刀具后刀面磨损量VB的预测.实验结果显示:基于主元分析和LM算法改进的BP神经网络建立的预测系统,网络输出与实测VB值的误差0.03以内;根据预测VB值的范围可判别出刀具的不同状态.