针对非线性系统,提出了一种基于BP神经网络的预测控制方法。以BP神经网络建立多步预测模型并预测系统输出值,用LM(Levenberg-Marquardt)算法和PSO(Particle Swarm Optimization)算法组合的混合算法对目标性能指标函数进行滚动优化求解,得到非线性系统的最优控制量;利用误差修正参考输入法实现反馈矫正。通过将粒子群算法引入LM算法,克服了LM算法依赖初值和粒子群算法过早收敛于局部极值的问题,提高了求解的运行速度和精确度。通过对单变量非线性系统仿真实验,证明了该控制系统具有良好的稳定性、自适应性和鲁棒性。该方法可在数学模型不确定的情况下设计出有效的预测控制器。
2021-09-17 14:17:25
259KB
1
MAX/美克司LM-380EZ 打码机中文使用手册电子档，这是从厂家附送的光盘中拷贝下来的。
2021-09-08 13:53:47
2.92MB
1
LM算法，全称为Levenberg-Marquard算法，它可用于解决非线性最小二乘问题，多用于曲线拟合等场合。
LM算法的实现并不算难，它的关键是用模型函数 f
对待估参数向量 p 在其邻域内做线性近似，忽略掉二阶以上的导数项，从而转化为线性最小二乘问题，它具有收敛速度快等优点。LM算法属于一种“信赖域法”——所谓的信赖域法，此处稍微解释一下：在最优化算法中，都是要求一个函数的极小值，每一步迭代中，都要求目标函数值是下降的，而信赖域法，顾名思义，就是从初始点开始，先假设一个可以信赖的最大位移 s ，然后在以当前点为中心，以 s
为半径的区域内，通过寻找目标函数的一个近似函数（二次的）的最优点，来求解得到真正的位移。在得到了位移之后，再计算目标函数值，如果其使目标函数值的下降满足了一定条件，那么就说明这个位移是可靠的，则继续按此规则迭代计算下去；如果其不能使目标函数值的下降满足一定的条件，则应减小信赖域的范围，再重新求解。
事实上，你从所有可以找到的资料里看到的LM算法的说明，都可以找到类似于“如果目标函数值增大，则调整某系数再继续求解；如果目标函数值减小，则调整某系数再继续求解”的迭代过程，这种过程与上面所说的信赖域法是非常相似的，所以说LM算法是一种信赖域法。
2021-08-27 17:49:15
66KB
1
千次曝光出价产生
为了促进中文自然语言处理研究的发展，本项目提供了CPM-LM （2.6B）模型的文本生成代码，可用于文本生成的本地测试，并同时为基础进一步研究零次学习/少次学习等场景。[] [] []
安装
首先安装pytorch等基础依赖，再安装以支持fp16：
pip install -r requirements.txt
git clone https://github.com/NVIDIA/apex
cd apex
pip install -v --no-cache-dir --global-option="--cpp_ext" --global-option="--cuda_ext" ./
考虑到apex的安装容易发生问题，我们内置了对应的Docker容器，可以进行快速环境搭建。安装方式如下：
docker pull dmye/cpm:v0
参考运行指令如下：
sudo
2021-08-23 20:41:46
926KB
1
文章目录1.0高斯牛顿法1.1注意：1.1.1雅可比矩阵 Jacobian matrix1.1.2残差 residual，表示实际观测值与估计值(拟合值)之间的差1.2方法核心1.3 联合实际相机估计问题思考：1.4 保证算法收敛的机制1.5 效果优缺点分析1.5阻尼高斯牛顿法2.0 LM方法matlab练习程序（高斯牛顿法最优化）
1.0高斯牛顿法
链接：https://blog.csdn.net/wuaini_1314/article/details/79562400
推导过程可以参考
http://blog.csdn.net/zhubaohua_bupt/article/details/
2021-08-16 12:59:56
286KB
1
第一次修改：货金21-IS-LM模型中的货币政策和财政政策
2021-08-16 09:08:21
2.23MB
1