牛顿法与拟牛顿法,SDM方法的一些注记
2016-05-29 16:18
260 查看
SDM方法
考虑一般额NLS问题:f(x)=minx||h(x)−y||2
这里x为优化参数,h为非线性函数,y是已知变量,如下是基于梯度的迭代公式:
Δx=αAJTh(h(x)−y)
这里α是步长,A是缩放因子,Jh是h在当前参数x下的Jacobian值。
各种优化方法不同,取决于A的选择,具体为:
A=H−1表示:牛顿法
A=(JTJ)−1表示:高斯牛顿法
A=I表示:梯度下降法
但对于不可导的函数,J和H都是很难求的。
SDM的主要观点是用一个学习矩阵R去替代αAJTh,称R为通用的下降方向(Generic Descent Map(DM))。
SDM是一种迭代算法,用来学习一系列的DM.如下动画展示了SDM方法是如何从当前最优路径(虚线标注)中学习DM的。
http://xiong828.github.io/pics/sdm-animation-all.gif
牛顿法与拟牛顿法
本章可以参考文献《牛顿法与拟牛顿法学习笔记》相关文章推荐
- J2EE的十三个规范
- innodb crash recovery流程
- HTML之字符集总结
- JavaScript 定义方法的3种方法
- dSYM文件分析
- volicity语法学习和总结
- scala闭包
- JAVA操作数据库插入中文表中显示乱码的解决方法
- hdu_3555_Bomb(数位DP)
- 叠框之scanf空格
- Windows7下安装Mingw-w64
- CSS实现div垂直居中 div上下居中显示
- Flask源码学习笔记
- hdu_3555_Bomb(数位DP)
- 继承中的构造和析构函数
- 浅谈arduino与android通信
- ubuntu14.04Lts安装Tensorflow(2)
- NS2-HA
- Java基础
- iOS计步器功能实现之CoreMotion如何读取数据(二)