本站原创文章，转载请说明来自《老饼讲解-BP神经网络》www.bbbdata.com

Levenberg-Marquardt（列文伯格-马跨特）法是高斯牛顿法和梯度下降法的结合

它就是matlab的BP神经网络工具箱中默认的训练方法---trainlm法

本文对LM法的基本原理进行讲解,并展示相关迭代公式

   01.列文伯格-马跨特（LM）法   

本节简单介绍LM法的思想和迭代公式

     LM法的思想    

LM(Levenberg-Marquardt)法的思想是,
将高斯-牛顿法与梯度下降法进行结合
如下，LM法的迭代量为：

可以看到，
(1) 当   很大的时候，上式近似于   它相当于一个梯度下降，          
(2 )当    很小的时候，上式近似于 ，相当于高斯牛顿法    

✍️说明
 由于LM法是基于高斯-牛顿法，
因此，LM法也只适用于优化多个函数的平方和这类目标函数

     LM法的迭代公式    

LM法的适用条件
当目标函数为为多个函数的平方和时
即 
可用LM法

 LM法的迭代公式
LM法的迭代公式如下
 
 其中
 
  

  是雅克比矩阵:
  
 

    02. LM法中mu的自适应机制    

本节补充讲解LM法中u的自适应机制

    u的自适应机制    

u的意义
LM法中的并不是固定的
由于   很大的时候，LM法相当于梯度下降法 
由于   很小的时候，LM法相当于高斯牛顿法 
因此
 的意义是让LM法近似梯度下降还是近似高斯牛顿法
 
     u的自适应机制    
一般来说，
我们希望在距离解较远的时候，使用梯度下降法，
在距离解较近的时候，使用高斯牛顿法,加快收敛   
 因此，u的自适应调整机制可设置如下
  

    mu的自适应机制的伪代码    

   关于mu自适应机制的伪代码
 参考自“matlab神经网络工具箱的traimlm法代码”

 %matlab神经网络工具箱里，trainlm法的mu的自适应代码。
%本代码是伪代码，仅为提供思路。

while (1)      
    Jmat = getJmat();  %计算雅克比矩阵
    je   = Jmat * e';      %JF
    jj   = Jmat * Jmat'; %JJ
    while (mu <= mu_max)
        dX   = -(jj + ii*mu) \ je; %计算当前mu下的dx
        newX = X + dX;           %当前mu下的新解newX
        [newE] = cal(newX);      %计算当前误差
        if (newE < E)            %若果误差比之前更小
            X = newX;            %则接受newX作为X
            mu =max(mu * mu_dec,1e-20);%下降mu
            break;
        end
        mu = mu * mu_inc;         %否则增大mu,使它更接近梯度下降法
    end
 
    if ('终止条件') %判断是否终止
        break; %若是,则退出训练
    end  
end

    03. L-M法总结    

本节对LM法进行简单总结与提炼

    LM法的总结   

列文伯格-马跨特法是高斯-牛顿法与梯度下降法的结合，
通过参数u来控制是使用高斯-牛顿法，还是梯度下降法
也即通过u来控制迭代时用二次曲面，还是一次切面

由于牛顿-高斯法是利用了目标函数里的平方运算，
所以LM法也只适用于二次均方最小值问题的
如果换了其它目标函数，那么LM法就不一定适用了

    老饼小故事   

        很久以前就在使用matlab神经网络工具箱中的trainlm法
直到工作，才弄明白了它的原理，
感觉到的确是一种不错的方法
怪不得matlab神经网络工具箱会将它作为默认的训练算法
然后综合自己的看法，写了这篇文章，希望对大家有所帮助

    参考文献    

本文大部分借鉴于文献《methods for non-linear least squares problems》，有兴趣的同学可以直接阅读文献。
然后推荐沈乐君老师的《Levenberg-Marquardt快速入门教程（荐）》, 《Levenberg-Marquardt最优化C++源码（OpenCV版）》