Levenberg-Marquardt优化算法以及基于LM的BP-ANN

一.LM最优化算法

    最优化是寻找使得目标函数有最大或最小值的的参数向量。根据求导数的方法，可分为2大类。（1）若f具有解析函数形式，知道x后求导数速度快。(2)使用数值差分来求导数。根据使用模型不同，分为非约束最优化、约束最优化、最小二乘最优化。Levenberg-Marquardt算法是最优化算法中的一种。

   Levenberg-Marquardt算法是使用最广泛的非线性最小二乘算法(用模型函数
f 对待估参数向量p在其领域内做线性近似，利用泰勒展开，忽略掉二阶以上的导数项，优化目标方程转化为线性最小二乘问题)。它是利用梯度求最大（小）值的算法，形象的说，属于“爬山”法的一种。它同时具有梯度法和牛顿法的优点。当λ很小时，步长等于牛顿法步长，当λ很大时，步长约等于梯度下降法的步长。见下图：

 
  

    算法从山脚开始不断迭代。可以看到，它的寻优速度是比较快的，在山腰部分直接利用梯度大幅度提升（参见后文例子程序中u较小时），快到山顶时经过几次尝试（u较大时），最后达到顶峰（最大值点），算法终止。

LM算法属于一种“信赖域法”，所谓的信赖域法，就是从初始点开始，先假设一个可以信赖的最大位移σ，然后在以当前点为中心，以σ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。

   LM算法需要对每一个待估参数求偏导，所以，如果你的拟合函数 f 非常复杂，或者待估参数相当地多，那么可能不适合使用LM算法，而可以选择Powell算法（Powell算法不需要求导。LM收敛速度块。但是参数应该设定一个初值，其次对于多优化解的问题，也不是很适合。

英文文档lemar介绍比较简洁，还包括伪代码,请点击下载：

   我的总结如下：

      (1)Principle:
An iterative tech. to locate the minimum of a multivariate function (sum of squares of non-linear real-valued function).Assuming measure vector x’=f(p) ,target vector x
(such as training target in classification problem) ,error vector e=x-x’：

Optimization Object：arg(p) min(||x-f(p)||)

Linear approximation: in the neighborhood of p, assuming J
is Jacobian Matrix(f(p) to p) ,for a smallσ,so f(p+σ)=f(p)+σJ (Taylor Expansion)
,and

min (||x-f(p+σ)||=min(||e-Jσ||) 
=>  J^TJσ=J^Te  (derivation to σ)

Introducing the damping term u and set
N=( J^TJ+uI)=> Nσ=
J^Te => σ

For each iteration or updata of p(p:=p+σ),
u is adjusted to assure a reduction in the error e(norm-2)

       (2)Merits & Defects：LM is a standard tech. fornon-linear least-squares problems：When u is set to a large value, p updates as steepest descent,
otherwise updates as Gauss-Newton method.

         p
shall be set toarelative reliable initial value (the work of RBM model).

参考：

  1.Levenberg-Marquardt快速入门教程