lm opencv 算法_Levenberg–Marquardt算法学习（和matlab的LM算法对比）

回顾高斯牛顿算法，引入LM算法

惩罚因子的计算(迭代步子的计算)

完整的算法流程及代码样例

1.      回顾高斯牛顿，引入LM算法 根据之前的博文：Gauss-Newton算法学习

假设我们研究如下形式的非线性最小二乘问题：

r(x)为某个问题的残差residual，是关于x的非线性函数。我们知道高斯牛顿法的迭代公式：

Levenberg–Marquardt算法是对高斯牛顿的改进，在迭代步长上略有不同：

最速下降法对初始点没有特别要求具有整体收敛性，但是相邻两次的搜索方向是相互垂直的，所以收敛并不一定快。总而言之就是：当目标函数的等值线接近于圆(球)时，下降较快；等值线类似于扁长的椭球时，一开始快，后来很慢。This is good if the current iterate is far from the solution.

c.   如果μ的值很小，那么hlm成了高斯牛顿法的方向(适合迭代的最后阶段，非常接近最优解，避免了最速下降的震荡)

由此可见，惩罚因子既下降的方向又影响下降步子的大小。

2.    惩罚因子的计算[迭代步长计算]我们的目标是求f的最小值，我们希望迭代开始时，惩罚因子μ被设定为较小的值，若

信赖域方法与线搜索技术一样,也是优化算法中的一种保证全局收敛的重要技术. 它们的功能都是在优化算法中求出每次迭代的位移, 从而确定新的迭代点.所不同的是: 线搜索技术是先产生位移方向(亦称为搜索方向), 然后确定位移的长度(亦称为搜索步长)。而信赖域技术则是直接确定位移, 产生新的迭代点。

信赖域方法的基本思想是:首先给定一个所谓的“信赖域半径”作为位移长度的上界，并以当前迭代点为中心以此“上界”为半径确定一个称之为“信赖域”的闭球区域。然后,通过求解这个区域内的“信赖域子问题”(目标函数的二次近似模型) 的最优点来确定“候选位移”。若候选位移能使目标函数值有充分的下降量, 则接受该候选位移作为新的位移,并保持或扩大信赖域半径, 继续新的迭代。否则, 说明二次模型与目标函数的近似度不够理想,需要缩小信赖域半径，再通过求解新的信赖域内的子问题得到新的候选位移。如此重复下去，直到满足迭代终止条件。  现在用信赖域方法解决之前的无约束线性规划：

如果q很大，说明L(h)非常接近F(x+h)，我们可以减少惩罚因子μ，以便于下次迭代此时算法更接近高斯牛顿算法。如果q很小或者是负的，说明是poor approximation，我们需要增大惩罚因子，减少步长，此时算法更接近最速下降法。具体来说，

a.当q大于0时，此次迭代有效：

b．当q小于等于0时，此次迭代无效：

3.完整的算法流程及代码距离

LM的算法流程和高斯牛顿几乎一样，只是迭代步长求法利用信赖域法

(1)给定初始点x(0)，允许误差ε>0，置k=0

(2)当f(xk+1)-f(xk)小于阈值ε时，算法退出，否则(3)

(3)xk+1=xk+hlm，代入f，返回(1)

两个例子还是沿用之前的。

例子1，根据美国1815年至1885年数据，估计人口模型中的参数A和B。如下表所示，已知年份和人口总量，及人口模型方程，求方程中的参数。