1) L-M optimization algorithm
L-M优化算法
1.
Model for predicting crop water requirements by using L-M optimization algorithm BP neural network;
基于L-M优化算法的BP神经网络的作物需水量预测模型
2.
The various influemce factors to the physicochemical properties of lanthanide are studied in this paper and the physicochemical properties of nine kinds of lanthanide are associated too using lanthanide foundation state value L,electronegativity 4f,electronic arrangement periodic factors q and ionic radius as the parameters and using the BP neural network based on L-M optimization algorithm.
以镧系元素的基态L值、鲍林电负性、4f电子排布周期因子q以及离子半径等为参数,使用以L-M优化算法为训练方法的BP神经网络,对9种镧系元素物理化学性质进行了关联。
2) L-M optimized algorithm
L-M优化算法
1.
Prediction model for rice stem borer based on L-M optimized algorithm and its preliminary application;
基于L-M优化算法的水稻螟虫预测模型及其初步应用
3) L-M optimized
L-M优化法
4) L-M optimization
L-M优化
1.
L-M optimization is then employed to drive the particles to the local peak values,and tracking.
运用优化的非线性粒子滤波算法,使每个粒子表示目标特征的一组估计运动参数,并通过L-M优化方法使粒子向局部峰值点移动,呈现出“多峰”的跟踪形式。
5) L-M algorithm
L-M算法
1.
A combined neural network fuzzy controller based on L-M algorithm;
一种基于L-M算法的组合神经网络模糊控制器
2.
Application of L-M algorithm with N-W method in fault diagnosis of transformer;
结合N-W方法的L-M算法在变压器故障诊断中的应用
3.
The L-M algorithm was employed in the BP neuron network through the comparison of three different kinds of algorithms, and the effects of factors, such as the content of volatile matter(Vdaf) in raw coals, the ratio of H and C (H/C) in coal chars, pyrolysis temperature, heating rate and gasification temperature, on the prediction error of BP neuron network were investigated.
通过三种算法的比较,采用BP神经网络的L-M算法,分析煤的制焦终温与制焦升温速率、气化反应温度、Vdaf和煤焦H/C原子比等不同因子对煤焦气化反应速率模型预测精度的影响,建立了基于Matlab下神华大柳塔单煤种四因子和神华-兖州双煤种五因子煤焦高温气化反应速率神经网络预测模型,得到比较满意的结果,其相对误差分别是0。
6) levenberg-marquardt algorithm
L-M算法
1.
An artificial neural network(ANN) using Levenberg-Marquardt algorithm for network training is presented to diagnose faults in turbine generator set equipment.
就BP网络的不足,提出了一种改进的BP神经网络模型,并使用L-M算法用于汽轮发电机组故障的诊断。
2.
Levenberg-Marquardt algorithm is involved in training BP neural network weights.
将AHP法与改进的BP神经网络相结合建立了供应链合作伙伴选择模型,并使用L-M算法对神经网络权值进行训练,实现了对供应商的多标准评价;所用的评价指标体系选取全面,适用于多种类型的供应链合作伙伴选择。
3.
In the end,network is trained and forecasted by Levenberg-Marquardt algorithm.
然后建立三层BP神经网络模型,并采用L-M算法进行网络训练与预测,实现公寓的负载识别功能。
补充资料：计算算法的最优化
计算算法的最优化
ptimization of computational algorifans
计算算法的最优化【。洲咧匕6阅ofc咖例。柱.目习子时-d，”6;onT一Mo3a双，Ra，一eju.Teju.II.叱a几r0P盆n陇o，1 在求解应用问题或精心设计标准程序系统时最优计算算法(comPutatio几al algorithm)的选择.当解决一个具体间题时，最优策略可能不会使解法最优化，可是为优化一个标准程序或应用最简单的解法编制程序则是很直截了当的. 计算算法的最优化问题的理论提法是基于下述原则.当选择一种方法来求解一个问题时，研究人员关心的是某些特性，而且根据这些特性来选择算法，同时这个算法也能用来解决具有这些特性的其他问题.据此，在算法的理论研究中，人们引人了具有特殊性质的一类问题尸.当选择一种解法时，研究人员有一组解法M可供选用.当选用一种方法m来求解一个问题p时，得到的解会有一定的误差e(p，m).称量 E(P，m)=sllp}。(p，m)I P‘P为在这类问题P中方法m的误差(en刀r of the nrth-od)，同时，称量 E(p，M)一惑E(p，m)为M中方法在尸中误差的最优估计(。Ptimal estirnateof the error).如果存在一种方法，使得 E(P，m。)=E(P，M)，那么称这个方法为最优的(optirnal).研究计算算法最优化问题的一个方案可以追溯到A .H .KQJLMoropoB(【2」)，所考虑的是计算积分 1 ‘(f)一Jf(x)dx 0问题的集合，给定的条件是}f(时}成A，其中M是所有可能求积 N ‘(f)澎，万:C，f(x，)的集合·每一种求积由总数为ZN的cj和礼确定.由具有所需精度的某函数类重新生成一个函数所需要的最小信息量(见【2]，「31)也可以包含在这个方案中.这个问题的一个更详细的阐述可查阅【4]，它指出在特定意义下实现算法的工作量与应用的存储量同样大.最优算法仅对极少数类型问题存在(汇1」)，然而，对大量计算问题，已经建立了就其渐近特性而言几乎是最优的方法(见汇5]一【8」). 对某类问题最优的计算算法特性的研究工作(见15]，【71)包含两部分:建立其特性尽可能好的具体解法，和根据计算算法的特性得出估计量(见【2]一【4]，【9】).实质上，问题的第一部分是数值方法理论的一个基本问题，而且在大多数情况下它是与最优化问题无关的研究工作.下面得到的估计通常归结为对￡摘(。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条