Увеличение - скорость - сходимость
Cтраница 1
Увеличение скорости сходимости по сравнению со скоростями для методов Якоби и Гаусса - Зейделя становится значительным при p ( Bj), близком к единице. [1]
Обсудить увеличение скорости сходимости, которого достигает направленный метод Гаусса - Зейделя; какой объем дополнительных расходов можно себе позволить на процедуру поиска направления и все же достигнуть большей эффективности по сравнению с обычным методом Гаусса - Зейделя. [2]
Существуют различные способы увеличения скорости сходимости алгоритмов стохастической аппроксимации, которые, как мы видим, весьма близки к развитым в предыдущей главе градиентным методам. Быть может, проще всего поддерживать Ю постоянным до изменения знака наблюдаемой величины ( z ( х) или I ( u)), изменяя затем К1 так, чтобы удовлетворить вышеупомянутым ограничениям. Эту схему можно оправдать тем, что вдали от нуля функций Ь ( х) или dQ ( u) / du наиболее вероятны наблюдения одного знака, тогда как в близкой окрестности нуля знак наблюдений будет часто меняться. [3]
В работах [18], [19] для увеличения скорости сходимости предложен метод материальной точки, идея которого заключается в следующем. [4]
Задание постоянного весового множителя метода идентификации приводит к увеличению скорости сходимости последовательности оценок, поскольку при этом ошибка уменьшается по показательному закону в отличие от степенного, получаемого при убывающей последовательности весовых множителей. [5]
Было предложено несколько модификаций этой методики, направленных на увеличение скорости сходимости. [6]
 |
Эффект наложения. [7] |
В то время, как су б дискретизация приводит, как мы видели, к нежелательному эффекту наложения, умелое применение гипердискретизации может быть использовано для увеличения скорости сходимости. Покажем, как это может быть осуществлено. [8]
Классический метод обратного распространения относится к алгоритмам с линейной сходимостью. Для увеличения скорости сходимости необходимо использовать матрицы вторых производных функции ошибки. [9]
Ньютона дополняется линейным поиском, алгоритм носит название модифицированного ( демпфированного) метода Ньютона. Эта модификация не обеспечивает абсолютной сходимости, поэтому обычно используется для увеличения скорости сходимости в окрестности точки минимума, тогда как для первоначального приближения используется градиентный метод. [10]
Сравнение этого метода, используемого совместно с методом последовательных итераций, с такими методами ускорения сходимости, как 9 - 7-метод [291, 285], модифицированный 6-ме-тод [293] и обычный метод последовательных итераций [294], показало, что скорость сходимости метода возмущений значительно выше по сравнению со скоростью сходимости, достигаемой при использовании 6 - 7-метода, и несколько выше, чем для остальных. Величину параметра 6 в уравнении ( 83) рекомендуют принимать равной 0 5, так как при больших 8 с увеличением скорости сходимости наблюдается существенная колебательность решения, а при более низких значениях 8 скорость сходимости становится слишком малой. Среди остальных работ в этом направлении следует выделить работу [295], в которой предложен метод, позволяющий в определенных случаях ( весьма ограниченный круг задач) получить сходимость, намного превышающую скорость сходимости модифицированного метода релаксаций. [11]
 |
Схема реализации специализированного алгоритма обучения инверсной нейросетевой модели в режиме реального времени. [12] |
Значительное число весовых коэффициентов нейросетевой модели и медленная сходимость градиентного метода оптимизации затрудняют использование принципа регулирования на основе инверсных нейросетевых моделей, обучаемых в режиме реального времени. Вычислительные ( временные) затраты на обучение нейросетевой модели могут быть уменьшены путем применения обобщенного метода обучения на предварительном этапе инициализации настраиваемых параметров нейросетевой модели. Кроме того, для увеличения скорости сходимости может быть использован метод Гаусса - Ньютона. [13]
Вид функций определяется по математической модели электролизера. Для отыскания минимума целевой функции ( 111 21) в данном случае удобно ( применять градиентный метод. Задаваясь приращением по т, определяют приращение целевой функции и его знак. По смене знака находят экстремальное значение т0пт - Для увеличения скорости сходимости алгоритма расчета сначала рекомендуется принимать увеличенный шаг по времени ( например, 7 сут. [15]
Страницы: 1