1) Levenberg-Marquarat algorithm
Levenberg-Marquarat算法
1.
Levenberg-Marquarat algorithm and its application in parameter estimation of the surving models;
Levenberg-Marquarat算法及其在测量模型参数估计中的应用
2) Levenberg-Marguardt algorithm
Levenberg-Marguardt算法
3) Levenberg-Marquardt method
Levenberg-Marquardt算法
1.
The BP network predicting models of lead brass among superplastic tension temperature,initial strain rate and elongation,flow stress were established using the Levenberg-Marquardt method.
借助Levenberg-Marquardt算法,建立了铅黄铜超塑性拉伸温度、初始应变速率与延伸率、流动应力之间的BP网络预测模型,分析了拉伸温度、初始应变速率与延伸率和流动应力之间的关系,得出了铅黄铜最佳的超塑性条件,并以此为依据,进行了铜合金轴承保持架的超塑性成形试验。
2.
A new smoothing function is constructed for the objective function,and a globally convergent Levenberg-Marquardt method for solving the system of nonlinear inequalities is proposed based on its equivalent system of nonlinear equations.
文章研究了非线性不等式组的求解问题,利用等价转化把非线性不等式组转化为非线性方程组来加以求解,通过引进光滑参数构造了一个新的光滑函数来逼近方程组问题中的目标函数,利用构造的光滑函数给出了相应的求解非线性方程组的Levenberg-Marquardt算法,并在一定的条件下证明了该算法的整体收敛性。
4) Levenberg-Marpuardt algorithm
Levenberg-Marpuardt算法
5) Levenberg-Mrquardt algorithm
Levenberg-Mrquardt算法
6) Levenberg-Marquardt algorithm
Levenberg-Marquardt算法
1.
Static parameter identification of bridge structure based on Levenberg-Marquardt algorithm;
基于Levenberg-Marquardt算法的桥梁结构静力参数识别
2.
Application of Levenberg-Marquardt algorithm in the wind lidar;
Levenberg-Marquardt算法在测风激光雷达中的应用
3.
Neural network soft sensing model of alumina concentration using Levenberg-Marquardt algorithm is presented which according to soft sensing model theory.
分析了铝电解生产过程中建立氧化铝浓度神经网络软测量模型的必要性和可行性,根据软测量建模理论建立了采用Levenberg-Marquardt算法的氧化铝浓度神经网络软测量模型。
补充资料：BP算法
分子式：
CAS号：
性质：又称逆推学习算法，简称BP算法，是1986年鲁梅哈特(D. E. Rumelhart)和麦克莱朗德(J. L. McClelland)提出来的。用样本数据训练人工神经网络(一种模仿人脑的信息处理系统)，它自动地将实际输出值和期望值进行比较，得到误差信号，再根据误差信号从后(输出层)向前(输入层)逐层反传，调节各神经层神经元之间的连接权重，直至误差减至满足要求为止。反向传播算法的主要特征是中间层能对输出层反传过来的误差进行学习。这种算法不能保证训练期间实现全局误差最小，但可以实现局部误差最小。BP算法在图像处理、语音处理、优化等领域得到应用。
CAS号：
性质：又称逆推学习算法，简称BP算法，是1986年鲁梅哈特(D. E. Rumelhart)和麦克莱朗德(J. L. McClelland)提出来的。用样本数据训练人工神经网络(一种模仿人脑的信息处理系统)，它自动地将实际输出值和期望值进行比较，得到误差信号，再根据误差信号从后(输出层)向前(输入层)逐层反传，调节各神经层神经元之间的连接权重，直至误差减至满足要求为止。反向传播算法的主要特征是中间层能对输出层反传过来的误差进行学习。这种算法不能保证训练期间实现全局误差最小，但可以实现局部误差最小。BP算法在图像处理、语音处理、优化等领域得到应用。
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