1) L~3 algorithm
L~3算法
2) L/L algorithm
L/L算法
3) 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。
4) L-leap algorithm
L-leap算法
5) 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。
6) L-M arithmetic
L-M算法
1.
Second,L-M arithmetic that is improved train arithmetic of BP network is used.
本文首先设计了一种比较新型的基于神经网络的模糊控制器,然后使用了一种改进的BP网络训练算法L-M算法,最后对训练好的控制器进行仿真实验,实验中加入了一个稳态参数,实验结果表明其具有较好的控制性能。
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