lm演算法

❶ L-M 優化演算法優化哪種函數最好

老哥你竟然知道lm下山怎麼會問這么弱智的問題呢

擬合和尋優，非線性的函數都可以用lm

LM演算法需要對每一個待估參數求偏導，所以，如果你的擬合函數 f 非常復雜，或者待估參數相當地多，那麼可能不適合使用LM演算法，而可以選擇Powell演算法。LM主要有信賴區間可以變鄰域搜索，收斂速度塊。

❷ MATLAB中訓練LM演算法的BP神經網路

1.初始權值不一樣，如果一樣，每次訓練結果是相同的
2.是
3.在train之前修改權值，IW,LW,b，使之相同
4.取多次實驗的均值
一點淺見，僅供參考

訓練誤差是否降到一定范圍內，比如1e-3，
將訓練樣本回代結果如何，
訓練樣本進行了預處理，比如歸一化，而測試樣本未進行同樣的處理

這樣的歸一化似有問題，我也認為「測試數據的歸一化也用訓練數據歸一化時得出的min和max值」，
請參考這個帖子http://www.ilovematlab.cn/thread-27021-1-1.html
測試數據帶入訓練好的神經網路誤差當然不會達到1e-5，這是預測啊。
但將訓練數據帶入誤差必然是1e-5，演算法終止就是因為達到這個誤差才終止，這個誤差是由訓練數據的輸入、輸出以及神經網路的權值、激活函數共同決定的，神經網路訓練完後，權值、激活函數定了，同樣的數據再代入神經網路，誤差會不等於1e-5？
第二個問題：不可能每個值都達到1e-5，1e-5是MSE（mean square error），它們的平方和除以總數再開方，mse（E）必為1e-5
另外，LM演算法雖然訓練最快，但是預測精度一般不好，不如gdm，gdx

❸ 基於MATLAB的神經網路BP演算法改進LM演算法的交通流量的源代碼！

matlab2010程序。x,t為流量數據和分類結果。
net = feedforwardnet(20);
net.trainFcn = 'trainlm';
net = train(net,x,t);

view(net)
y = net(x);
perf = perform(net,y,t);

❹ 求用C語言編的LM擬合演算法（Levenberg-Marquardt 演算法）

http://wenku..com/link?url=__T_FJ94kfzm1wmvsr7MlDifKLT7ZWcG

❺ 什麼是Levenberg-Marquart演算法

中文譯文：列文伯格-馬誇爾特法，是最優化演算法中的一種。

最優化演算法是尋找使得函數值最小的參數向量。它的應用領域非常廣泛，如：經濟學、管理優化、網路分析、最優設計、機械或電子設計等等。

根據求導數的方法，可分為2大類。

第一類，若f具有解析函數形式，知道x後求導數速度快。

第二類，使用數值差分來求導數。

根據使用模型不同，分為非約束最優化、約束最優化、最小二乘最優化。

附LM演算法例子：

在LM演算法中，每次迭代是尋找一個合適的阻尼因子λ，當λ很小時，演算法就變成了GAuss-Newton法的最優步長計算式，λ很大時，蛻化為梯度下降法的最優步長計算式。

❻ 為何微軟系統中一LM和NTLM兩種演算法並存

為何微軟系統裝的Lim和until的兩種演算法，並從可能是，這也是一個存在的一種趨勢。

❼ 關於神經網路LM訓練演算法的一些問題

1.初始權值不一樣，如果一樣，每次訓練結果是相同的 2.是 3.在train之前修改權值，IW,LW,b，使之相同 4.取多次實驗的均值 一點淺見，僅供參考

❽ LM演算法的迭代公式如下：的翻譯是：什麼意思

你好!
LM演算法的迭代公式如下
The iterative formula of LM algorithm is as follows

❾ IS-LM-BP模型中，LM比BP陡峭的經濟含義是什麼

BP曲線比LM曲線更陡峭，就說明資本流動對國內利率變化不敏感，資本流動程度較低。產品市場上所決定的國民收入又會影響貨幣需求，從而影響利率，這又是產品市場對貨幣市場的影響，可見，產品市場和貨幣市場是相互聯系的，相互作用的，而收入和利率也只有在這種相互系，相互作用中才能決定。描述和分析這兩個市場相互聯系的理論結構，就稱為IS—LM。該模型要求同時達到下面的兩個條件：(1) I(i)=S(Y) IS，InvestmentSaving(2)M/P=L1(i)+L2(Y） 即LM，Liquidity preference - Money Supply其中，I為投資，S為儲蓄，M為名義貨幣量，P為物價水平，M/P為實際貨幣量，Y為總產出，i為利率。兩條曲線交點處表示產品市場和貨幣市場同時達到均衡。IS-LM模型是宏觀經濟分析的一個重要工具，是描述產品市場和貨幣市場之間相互聯系的理論結構。反向傳播演算法(BP演算法)是一種監督學習演算法，常被用來訓練多層感知機。BP演算法由兩個環節（激勵傳播、權重更新）反復循環迭代，直到網路對輸入的響應大到預定的目標范圍為止。
激勵傳播包含：（向前傳播階段）將訓練輸入送入網路以獲得激勵響應啊；（反向傳播階段）將激勵響應同訓練輸入對應的目標輸入求差（t-a），從而獲得隱層和輸出層的響應誤差。
權重更新包括：首先將輸入激勵和響應誤差相乘(sm*(a(m-1)))，從而獲得權重的梯度；然後，將這個梯度乘上一個比例(_*sm*(a(m-1)))並去反後加到權重上。
核心思想：用雅可比矩陣（易計算）代替Hessian矩陣的計算，使得優化效率得到提升。
LMBP是加速收斂BP演算法的其中一種標準的數值優化方法。
優點：由於需要求解矩陣的逆，所以在每次迭代中需要更多的計算。但是既便如此，在網路參數個數適中的情況下，LMBP演算法依然是最快的神經網路訓練演算法。
缺點：存儲需求大。所需存儲近似Hessian矩陣JTJ（n*n的矩陣，其中n是神經網路中參數（權值與偏置值）的個數）。因此當參數的數量非常大時，LMBP演算法是不實用的。