随机并行梯度下降算法(SPGD)是一种基于直接性能指标优化的相位控制方法,在自适应光学中有较好的适用性。
该算法主要包含增益系数和随机扰动幅度两个可变参数,其取值对算法收敛性有很大的影响。
对双边SPGD算法实现收敛时参数的取值要求进行研究,结合算法原理分析了算法参数的取值范围,并通过大量仿真实验找出所有使双边SPGD算法收敛的增益系数和随机扰动幅度值;得到随机扰动幅度的取值下限,理论和仿真分析了下限存在的原因及取值;在相干合成中存在相位噪声,研究了不同相位校正器参数的情况下可使算法收敛的参数的取值范围。
该算法主要包含增益系数和随机扰动幅度两个可变参数,其取值对算法收敛性有很大的影响。
对双边SPGD算法实现收敛时参数的取值要求进行研究,结合算法原理分析了算法参数的取值范围,并通过大量仿真实验找出所有使双边SPGD算法收敛的增益系数和随机扰动幅度值;得到随机扰动幅度的取值下限,理论和仿真分析了下限存在的原因及取值;在相干合成中存在相位噪声,研究了不同相位校正器参数的情况下可使算法收敛的参数的取值范围。
2024/10/6 9:01:16
4.35MB
1
报道了一种基于偏振锁相的自适应非线偏光-线偏光的产生方法。
将激光器输出的非保偏光分成两束偏振态相互垂直的线偏光，基于偏振相干合成的原理，利用基于随机并行梯度下降算法的相位调制器将两个偏振态的光束的相位差锁相到mπ，合成输出的光束即为高消光比的线偏光。
理论上，建立了该方法的数学模型，并分析了各种因素对输出消光比和转换效率的影响。
实验上，利用空间结构的光路，搭建了相应的实验系统，实现了非线偏激光到线偏振光的自适应偏振转换，获得输出激光偏振度为93.5%，转换效率为88%的线偏振激光输出。
将激光器输出的非保偏光分成两束偏振态相互垂直的线偏光，基于偏振相干合成的原理，利用基于随机并行梯度下降算法的相位调制器将两个偏振态的光束的相位差锁相到mπ，合成输出的光束即为高消光比的线偏光。
理论上，建立了该方法的数学模型，并分析了各种因素对输出消光比和转换效率的影响。
实验上，利用空间结构的光路，搭建了相应的实验系统，实现了非线偏激光到线偏振光的自适应偏振转换，获得输出激光偏振度为93.5%，转换效率为88%的线偏振激光输出。
2024/7/19 9:44:36
2.78MB
1
程序利用pythonnumpy和matplotlib库实现了简单的梯度下降算法并对其进行可视化。
程序通过简单的可视化过程解释了梯度下降的原理，供大家学习参考。
注：并不是反向传播的实现，而是对梯度下降原理的解释，请根据需要自行参考。
程序通过简单的可视化过程解释了梯度下降的原理，供大家学习参考。
注：并不是反向传播的实现，而是对梯度下降原理的解释，请根据需要自行参考。
2023/11/23 18:17:41
594B
1
用动量梯度下降算法训练BP网络使用的主要函数如下：NEWFF——生成一个新的前向神经网络TRAIN——对BP神经网络进行训练SIM——对BP神经网络进行仿真
2023/10/4 2:54:19
890B
1
基于MovieLens数据集，采用随机梯度下降算法优化最小化能量函数的概率矩阵分解Python源代码，本人做实验的源代码ProbabilisticMatrixFactorization
2019/11/19 18:15:44
749KB
1
采用动量梯度下降算法训练BP网络采用贝叶斯正则化算法提高BP网络的推行能力采用“提前停止”方法提高BP网络的推行能力
2021/2/2 15:54:17
8KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB