This HTML5 document contains 129 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
dbthttp://dbpedia.org/resource/Template:
wikipedia-enhttp://en.wikipedia.org/wiki/
n24http://people.duke.edu/~hpgavin/ce281/
dbrhttp://dbpedia.org/resource/
n35http://www.nrbook.com/a/
n18http://www2.imm.dtu.dk/pubdb/views/edoc_download.php/3215/pdf/
n16http://commons.wikimedia.org/wiki/Special:FilePath/
dbpedia-frhttp://fr.dbpedia.org/resource/
n40https://archive.today/20180516200045/http:/www2.imm.dtu.dk/projects/hbn_software/
dctermshttp://purl.org/dc/terms/
rdfshttp://www.w3.org/2000/01/rdf-schema#
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n22http://dbpedia.org/resource/File:
dbphttp://dbpedia.org/property/
n17https://web.archive.org/web/20140301154319/http:/www3.villanova.edu/maple/misc/
xsdhhttp://www.w3.org/2001/XMLSchema#
n23https://digital.library.unt.edu/ark:/67531/metadc283525/m2/1/high_res_d/
dbpedia-ukhttp://uk.dbpedia.org/resource/
dbohttp://dbpedia.org/ontology/
dbpedia-pthttp://pt.dbpedia.org/resource/
dbpedia-jahttp://ja.dbpedia.org/resource/
dbchttp://dbpedia.org/resource/Category:
dbpedia-dehttp://de.dbpedia.org/resource/
dbpedia-plhttp://pl.dbpedia.org/resource/
dbpedia-ruhttp://ru.dbpedia.org/resource/
yagohttp://dbpedia.org/class/yago/
n21http://ananth.in/docs/
n27http://link.aip.org/link/%3FGPY/72/W1/
wikidatahttp://www.wikidata.org/entity/
n36https://global.dbpedia.org/id/
dbpedia-ithttp://it.dbpedia.org/resource/
provhttp://www.w3.org/ns/prov#
foafhttp://xmlns.com/foaf/0.1/
dbpedia-zhhttp://zh.dbpedia.org/resource/
n38http://lt.dbpedia.org/resource/
dbpedia-fahttp://fa.dbpedia.org/resource/
dbpedia-eshttp://es.dbpedia.org/resource/
freebasehttp://rdf.freebase.com/ns/
n19http://www.siam.org/books/textbooks/
owlhttp://www.w3.org/2002/07/owl#
n28https://archive.today/20180516200006/http:/www2.imm.dtu.dk/projects/hbn_software/

Statements

Subject Item
dbr:Levenberg–Marquardt_algorithm
rdf:type
yago:Algorithm105847438 yago:PsychologicalFeature100023100 yago:Activity100407535 yago:Rule105846932 yago:Act100030358 yago:WikicatOptimizationAlgorithmsAndMethods yago:Abstraction100002137 yago:WikicatStatisticalAlgorithms yago:Procedure101023820 yago:Event100029378 yago:YagoPermanentlyLocatedEntity
rdfs:label
Algorytm Levenberga-Marquardta Algoritmo de Levenberg–Marquardt Алгоритм Левенберга — Марквардта Levenberg-Marquardt-Algorithmus 莱文伯格-马夸特方法 Algoritmo de Levenberg-Marquardt Levenberg–Marquardt algorithm レーベンバーグ・マルカート法 Algoritmo di Levenberg-Marquardt Algorithme de Levenberg-Marquardt Алгоритм Левенберга — Марквардта
rdfs:comment
L'algoritmo di Levenberg-Marquardt (LMA) è un algoritmo di ottimizzazione usato per la soluzione di problemi in forma di , che trova comunemente applicazioni in problemi di curve fitting. LMA è un algoritmo iterativo, nel quale il vettore di aggiornamento della soluzione ad ogni iterazione è dato da un'interpolazione fra l'algoritmo di Gauss-Newton e il metodo di discesa del gradiente. LMA può essere considerato come una versione dell'algoritmo di Gauss-Newton, rispetto al quale è più robusto ma, in generale, leggermente più lento. L'algoritmo è stato pubblicato nel 1944 da , e fu riscoperto nel 1963 da e, indipendentemente, da Girard, Wynne e Morrison. In mathematics and computing, the Levenberg–Marquardt algorithm (LMA or just LM), also known as the damped least-squares (DLS) method, is used to solve non-linear least squares problems. These minimization problems arise especially in least squares curve fitting. The LMA interpolates between the Gauss–Newton algorithm (GNA) and the method of gradient descent. The LMA is more robust than the GNA, which means that in many cases it finds a solution even if it starts very far off the final minimum. For well-behaved functions and reasonable starting parameters, the LMA tends to be slower than the GNA. LMA can also be viewed as Gauss–Newton using a trust region approach. Алгоритм Левенберга — Марквардта — метод оптимизации, направленный на решение задач о наименьших квадратах. Является альтернативой методу Ньютона. Может рассматриваться как комбинация последнего с методом градиентного спуска или как метод доверительных областей (Марквард, стр 492). Алгоритм был сформулирован независимо Левенбергом (1944) и Марквардтом (1963). 莱文伯格-马夸特方法（英語：Levenberg–Marquardt algorithm）能提供數非線性最小化（局部最小）的數值解。此演算法能藉由執行時修改參數達到結合高斯-牛顿算法以及梯度下降法的優點，並對兩者之不足作改善（比如高斯-牛顿算法之反矩陣不存在或是初始值離局部極小值太遠）。 Der Levenberg-Marquardt-Algorithmus, benannt nach und , ist ein numerischer Optimierungsalgorithmus zur Lösung nichtlinearer Ausgleichs-Probleme mit Hilfe der Methode der kleinsten Quadrate. Das Verfahren kombiniert das Gauß-Newton-Verfahren mit einer Regularisierungstechnik, die absteigende Funktionswerte erzwingt. Алгоритм Левенберга–Марквардта (англ. Levenberg–Marquardt algorithm, LMA або просто LM), також відомий як метод сгасних найменших квадратів (англ. damped least-squares, DLS) використовується у математиці та обчислювальній техніці для розв'язування нелінійних задач найменших квадратів. Такі задачі мінімізації особливо актуальні при підборі кривої методом найменших квадратів. LMA інтерполює між алгоритмом Гаусса–Ньютона (GNA) та методом градієнтного спуску. LMA є більш надійним, ніж GNA, що означає, що в багатьох випадках він знаходить рішення, навіть якщо воно починається дуже далеко від кінцевого мінімуму. Для нормальної роботи функцій і розумних стартових параметрів LMA, як правило, повільніше, ніж GNA. LMA також можна розглядати як Гаусса–Ньютона, використовуючи підхід довіри до регіону. En matemáticas y computación, el algoritmo de Levenberg-Marquardt (LMA o simplemente LM), también conocido como el método de mínimos cuadrados amortiguados (DLS), se utiliza para resolver problemas de mínimos cuadrados no lineales. Estos problemas de minimización surgen especialmente en el ajuste de curvas de mínimos cuadrados. Em matemática e computação, o Método de Levenberg–Marquardt ou Algoritmo de Levenberg–Marquardt (LMA na sigla em inglês) é um método de otimização publicado primeiramente por e aperfeiçoado por . O método procura o mínimo local em uma função e converge mais rapidamente do que um algoritmo genético. L’algorithme de Levenberg-Marquardt, ou algorithme LM, permet d'obtenir une solution numérique au problème de minimisation d'une fonction, souvent non linéaire et dépendant de plusieurs variables. L'algorithme repose sur les méthodes derrière l'algorithme de Gauss-Newton et l'algorithme du gradient. Plus stable que celui de Gauss-Newton, il trouve une solution même s'il est démarré très loin d'un minimum. Cependant, pour certaines fonctions très régulières, il peut converger légèrement moins vite. L'algorithme fut développé par Kenneth Levenberg, puis publié par Donald Marquardt. Algorytm Levenberga-Marquardta – algorytm optymalizacji nieliniowej. Jest to algorytm iteracyjny, łączący w sobie cechy metody największego spadku i metody Gaussa-Newtona.
foaf:depiction
n16:Lev-Mar-best-fit.png n16:Lev-Mar-better-fit.png n16:Lev-Mar-poor-fit.png
dcterms:subject
dbc:Least_squares dbc:Optimization_algorithms_and_methods dbc:Statistical_algorithms
dbo:wikiPageID
892446
dbo:wikiPageRevisionID
1088958716
dbo:wikiPageWikiLink
dbr:Trust_region dbr:Gauss–Newton dbr:Global_minimum dbc:Least_squares dbr:Statistics dbr:Mathematics dbr:Gradient_descent dbr:Robustness_(computer_science) dbr:Finite_difference dbr:Geodesic dbr:MATLAB dbr:Ill-posed_problems dbr:Statistician dbr:Gradient dbr:Donald_Marquardt dbr:Ridge_regression dbc:Optimization_algorithms_and_methods n22:Lev-Mar-best-fit.png n22:Lev-Mar-better-fit.png n22:Lev-Mar-poor-fit.png dbc:Statistical_algorithms dbr:Frankford_Arsenal dbr:Non-linear_least_squares dbr:SIAM_Journal_on_Numerical_Analysis dbr:Iteration dbr:Gauss–Newton_algorithm dbr:Least_squares dbr:Jacobian_matrix_and_determinant dbr:GNU_Octave dbr:Nelder–Mead_method dbr:Curve_fitting dbr:DuPont dbr:Estimation_theory dbr:Tikhonov_regularization dbr:Local_minimum dbr:Kenneth_Levenberg dbr:Directional_derivative
dbo:wikiPageExternalLink
n17:mtc1093.html n18:imm3215.pdf n19:fr18_book.pdf n21:lmtut.pdf n23:metadc283525.pdf n24:lm.pdf n27:1 n28:marquardt.m n35:bookcpdf.php n40:SMarquardt.m
owl:sameAs
dbpedia-pl:Algorytm_Levenberga-Marquardta wikidata:Q1426494 dbpedia-ja:レーベンバーグ・マルカート法 dbpedia-zh:莱文伯格-马夸特方法 dbpedia-fa:الگوریتم_لونبرگ-مارکوارت freebase:m.03mbsx dbpedia-de:Levenberg-Marquardt-Algorithmus dbpedia-fr:Algorithme_de_Levenberg-Marquardt dbpedia-ru:Алгоритм_Левенберга_—_Марквардта dbpedia-pt:Algoritmo_de_Levenberg–Marquardt dbpedia-uk:Алгоритм_Левенберга_—_Марквардта n36:Rx68 dbpedia-es:Algoritmo_de_Levenberg-Marquardt n38:Levenbergo-Markardo_algoritmas dbpedia-it:Algoritmo_di_Levenberg-Marquardt
dbp:wikiPageUsesTemplate
dbt:Cite_book dbt:Cite_journal dbt:Dead_link dbt:Optimization_algorithms dbt:Isbn dbt:Refbegin dbt:Reflist dbt:Refend dbt:Short_description dbt:Tmath
dbo:thumbnail
n16:Lev-Mar-poor-fit.png?width=300
dbp:bot
InternetArchiveBot
dbp:date
February 2020
dbp:fixAttempted
yes
dbo:abstract
In mathematics and computing, the Levenberg–Marquardt algorithm (LMA or just LM), also known as the damped least-squares (DLS) method, is used to solve non-linear least squares problems. These minimization problems arise especially in least squares curve fitting. The LMA interpolates between the Gauss–Newton algorithm (GNA) and the method of gradient descent. The LMA is more robust than the GNA, which means that in many cases it finds a solution even if it starts very far off the final minimum. For well-behaved functions and reasonable starting parameters, the LMA tends to be slower than the GNA. LMA can also be viewed as Gauss–Newton using a trust region approach. The algorithm was first published in 1944 by Kenneth Levenberg, while working at the Frankford Army Arsenal. It was rediscovered in 1963 by Donald Marquardt, who worked as a statistician at DuPont, and independently by Girard, Wynne and Morrison. The LMA is used in many software applications for solving generic curve-fitting problems. By using the Gauss–Newton algorithm it often converges faster than first-order methods. However, like other iterative optimization algorithms, the LMA finds only a local minimum, which is not necessarily the global minimum. 莱文伯格-马夸特方法（英語：Levenberg–Marquardt algorithm）能提供數非線性最小化（局部最小）的數值解。此演算法能藉由執行時修改參數達到結合高斯-牛顿算法以及梯度下降法的優點，並對兩者之不足作改善（比如高斯-牛顿算法之反矩陣不存在或是初始值離局部極小值太遠）。 Algorytm Levenberga-Marquardta – algorytm optymalizacji nieliniowej. Jest to algorytm iteracyjny, łączący w sobie cechy metody największego spadku i metody Gaussa-Newtona. L’algorithme de Levenberg-Marquardt, ou algorithme LM, permet d'obtenir une solution numérique au problème de minimisation d'une fonction, souvent non linéaire et dépendant de plusieurs variables. L'algorithme repose sur les méthodes derrière l'algorithme de Gauss-Newton et l'algorithme du gradient. Plus stable que celui de Gauss-Newton, il trouve une solution même s'il est démarré très loin d'un minimum. Cependant, pour certaines fonctions très régulières, il peut converger légèrement moins vite. L'algorithme fut développé par Kenneth Levenberg, puis publié par Donald Marquardt. C'est un problème qui se présente souvent en régression linéaire et non linéaire. En matemáticas y computación, el algoritmo de Levenberg-Marquardt (LMA o simplemente LM), también conocido como el método de mínimos cuadrados amortiguados (DLS), se utiliza para resolver problemas de mínimos cuadrados no lineales. Estos problemas de minimización surgen especialmente en el ajuste de curvas de mínimos cuadrados. El LMA se usa en muchas aplicaciones de software para resolver problemas genéricos de ajuste de curvas. Sin embargo, como ocurre con muchos algoritmos de ajuste, el LMA solo encuentra un mínimo local, que no es necesariamente el mínimo global. El LMA interpola entre el algoritmo de Gauss-Newton (GNA) y el método de descenso de gradiente. El LMA es más robusto que el GNA, lo que significa que en muchos casos encuentra una solución incluso si comienza muy lejos del mínimo final. Para funciones de buen comportamiento y parámetros de inicio razonables, el LMA tiende a ser un poco más lento que el GNA. El LMA también se puede ver como Gauss-Newton utilizando un enfoque de región de confianza. El algoritmo fue publicado por primera vez en 1944 por Kenneth Levenberg,​ mientras trabajaba en el Arsenal del Ejército de Frankford. Fue redescubierto en 1963 por Donald Marquardt,​ quien trabajó como estadístico en DuPont, e independientemente por Girard​ Wynne​ y Morrison.​ Em matemática e computação, o Método de Levenberg–Marquardt ou Algoritmo de Levenberg–Marquardt (LMA na sigla em inglês) é um método de otimização publicado primeiramente por e aperfeiçoado por . O método procura o mínimo local em uma função e converge mais rapidamente do que um algoritmo genético. Der Levenberg-Marquardt-Algorithmus, benannt nach und , ist ein numerischer Optimierungsalgorithmus zur Lösung nichtlinearer Ausgleichs-Probleme mit Hilfe der Methode der kleinsten Quadrate. Das Verfahren kombiniert das Gauß-Newton-Verfahren mit einer Regularisierungstechnik, die absteigende Funktionswerte erzwingt. Der Levenberg-Marquardt-Algorithmus ist deutlich robuster als das Gauß-Newton-Verfahren, das heißt, er konvergiert mit einer hohen Wahrscheinlichkeit auch bei schlechten Startbedingungen, allerdings ist auch hier Konvergenz nicht garantiert. Ferner ist er bei Anfangswerten, die nahe dem Minimum liegen, oft etwas langsamer. Алгоритм Левенберга — Марквардта — метод оптимизации, направленный на решение задач о наименьших квадратах. Является альтернативой методу Ньютона. Может рассматриваться как комбинация последнего с методом градиентного спуска или как метод доверительных областей (Марквард, стр 492). Алгоритм был сформулирован независимо Левенбергом (1944) и Марквардтом (1963). Алгоритм Левенберга–Марквардта (англ. Levenberg–Marquardt algorithm, LMA або просто LM), також відомий як метод сгасних найменших квадратів (англ. damped least-squares, DLS) використовується у математиці та обчислювальній техніці для розв'язування нелінійних задач найменших квадратів. Такі задачі мінімізації особливо актуальні при підборі кривої методом найменших квадратів. LMA інтерполює між алгоритмом Гаусса–Ньютона (GNA) та методом градієнтного спуску. LMA є більш надійним, ніж GNA, що означає, що в багатьох випадках він знаходить рішення, навіть якщо воно починається дуже далеко від кінцевого мінімуму. Для нормальної роботи функцій і розумних стартових параметрів LMA, як правило, повільніше, ніж GNA. LMA також можна розглядати як Гаусса–Ньютона, використовуючи підхід довіри до регіону. Алгоритм був вперше опублікований у 1944 році , під час роботи у Франкфордському армійському арсеналі. У 1963 році його знову відкрили , який працював статистиком у DuPont, і незалежно Жірард, Вінн і Моррісон. LMA використовується в багатьох програмних додатках для розв'язання загальних задач . Використовуючи алгоритм Гаусса–Ньютона, він часто сходиться швидше, ніж методи першого порядку. Однак, як і інші алгоритми ітераційної оптимізації, LMA знаходить лише локальний мінімум, який не обов'язково є глобальним мінімумом. L'algoritmo di Levenberg-Marquardt (LMA) è un algoritmo di ottimizzazione usato per la soluzione di problemi in forma di , che trova comunemente applicazioni in problemi di curve fitting. LMA è un algoritmo iterativo, nel quale il vettore di aggiornamento della soluzione ad ogni iterazione è dato da un'interpolazione fra l'algoritmo di Gauss-Newton e il metodo di discesa del gradiente. LMA può essere considerato come una versione dell'algoritmo di Gauss-Newton, rispetto al quale è più robusto ma, in generale, leggermente più lento. L'algoritmo è stato pubblicato nel 1944 da , e fu riscoperto nel 1963 da e, indipendentemente, da Girard, Wynne e Morrison.
prov:wasDerivedFrom
wikipedia-en:Levenberg–Marquardt_algorithm?oldid=1088958716&ns=0
dbo:wikiPageLength
22336
foaf:isPrimaryTopicOf
wikipedia-en:Levenberg–Marquardt_algorithm