1) damping least square method of optimization
阻尼最小二乘法优选法
1.
This paper introduces the damping least square method of optimization to find the water dynamic dispersion parameter.
本文介绍了只需一个观测井的资料及其与示踪剂投放井之间距离,便可求出水动力弥散参数的方法:阻尼最小二乘法优选法。
2) damping least square method
阻尼最小二乘法
1.
Choosing different primary models to invert a set of test resistivity sounding curves derived from a known model, according to the demands on primary models and convergent velocity, this paper compares singular value decomposition method with damping least square method.
本文根据电阻率测深曲线的一维反演中对初始模型的要求和收敛速度，论述了奇异值分解法（维根斯法）与阻尼最小二乘法（马奎特法）的优缺
3) Damped least square method
阻尼最小二乘法
1.
This paper presents an optimum estimation algorithm, damped least square method,combining the merit of Newton combines with the that of the rapidest descend for nonlinear time series ARMA parameter estimation.
提供了一种ARMA模型参数的优化估计法—阻尼最小二乘法,它结合了Newton法和最速下降法的优点,既保证了迭代计算的收敛性,又加快了收敛的速度。
2.
On the basis of analyzing the whole bag of tricks of spherical surface test, I have researched the damped least square method and established the mathematic and physical model of calculating radius of spherical surface by using the damped least square method.
在广泛分析了各种球面曲率半径测量方法的基础上，研究了阻尼最小二乘法求解非线性超越方程的原理，建立了由阻尼最小二乘法计算球面曲率半径的数学物理模型，详细分析了初值选取、阻尼因子选取等问题。
4) damped least square
阻尼最小二乘法
1.
The damped least square method was applied in both identification of the linear model and study of the neural network.
线性模型的辨识和神经网络的学习均采用阻尼最小二乘法 。
2.
A convergence analysis of a more stable identification algorithm_recursive damped least square is proposed.
递推最小二乘法是参数辨识中最常用的方法,但容易产生参数爆发现象· 因此对一种更稳定的辨识方法———递推阻尼最小二乘法进行了收敛特性的分析· 在使用算法之前先归一化测量向量,结果表明,参数化距离收敛于一个零均值随机变量,并且在持续激励条件下,适应增益矩阵的条件数有界· 参数化距离的方差有界
5) Damped least squares method
阻尼最小二乘法
1.
The theory and digitization experiment indicate that the damped least squares method is better in processing the bigger errors.
应用非线性最小二乘平差方法阻尼最小二乘法研究了数字化数据误差处理 ,并将该方法与最小二乘条件平差进行了比较。
2.
When optimizing optical systems with the damped least squares method, the solution obtained is usually a local minimum of the merit function in the multi dimensional space of the construction variables.
用阻尼最小二乘法进行光学系统的优化 ,得到的结果往往是评价函数在结构变量空间的一个局部极小值。
6) damped least squares
阻尼最小二乘法
1.
As refinde algorithms based on Davidon least squares algorithm and damped least squares,not only do they enjoy the advantages of the two algorithms,simple and convenient to be used,having a fast convergent rate,etc,but they can improve the identification accuracy desired and have less computation.
提出一种基于递推平方根法的神经网络模型辨识方法,对Davidon最小二乘法和阻尼最小二乘法进行了改进,既保持了二者简单易行、收敛性的优点,又能提高精度,减少计算量,适合于应用在非线性系统的辨识和自适应控制中。
2.
In this approach the network structure is determined by multiresolution learning, and the weights are trained by damped least squares which has fast convergent rate.
提出一种基于正交基函数的小波神经网络设计方法,采用多分辨率学习确定隐含层结构,并用收敛较快的阻尼最小二乘法训练权值。
3.
This type of global optimization consists of many local optimization runs with or without the excape function using the damped least squares method.
这种全局优化的运行由多个不加或加入逃逸函数的阻尼最小二乘法局部优化组成。
补充资料：非线性最小二乘法
以误差的平方和最小为准则来估计非线性静态模型参数的一种参数估计方法。设非线性系统的模型为
y＝f(x，θ)
式中y是系统的输出，x是输入，θ是参数（它们可以是向量）。这里的非线性是指对参数θ的非线性模型，不包括输入输出变量随时间的变化关系。在估计参数时模型的形式f是已知的，经过N次实验取得数据(x1,y1),(x2,y1)，...,(xn，yn)。估计参数的准则（或称目标函数）选为模型的误差平方和
非线性最小二乘法就是求使Q达到极小的参数估计值孌。
由于 f的非线性，所以不能象线性最小二乘法那样用求多元函数极值的办法来得到参数估计值，而需要采用复杂的优化算法来求解。常用的算法有两类，一类是搜索算法，另一类是迭代算法。
搜索算法的思路是：按一定的规则选择若干组参数值，分别计算它们的目标函数值并比较大小；选出使目标函数值最小的参数值，同时舍弃其他的参数值；然后按规则补充新的参数值，再与原来留下的参数值进行比较，选出使目标函数达到最小的参数值。如此继续进行，直到选不出更好的参数值为止。以不同的规则选择参数值，即可构成不同的搜索算法。常用的方法有单纯形搜索法、复合形搜索法、随机搜索法等。
迭代算法是从参数的某一初始猜测值θ(0)出发，然后产生一系列的参数点θ(1)、θ(2)...，如果这个参数序列收敛到使目标函数极小的参数点孌，那么对充分大的N就可用θ(N) 作为孌。迭代算法的一般步骤是：
① 给出初始猜测值θ(0)，并置迭代步数i＝1。
② 确定一个向量v(i)作为第i步的迭代方向。
③ 用寻优的方法决定一个标量步长ρ(i)，使得 Q(θ(i))＜Q(θ(i))，其中θ(i)＝θi-1+ρ(i)v(i)。
④ 检查停机规则是否满足，如果不满足,则将i加1再从②开始重复；如果满足，则取θ(i)为孌。
典型的迭代算法有牛顿－拉夫森法、高斯迭代算法、麦夸特算法、变尺度法等。
非线性最小二乘法除可直接用于估计静态非线性模型的参数外，在时间序列建模、连续动态模型的参数估计中，也往往遇到求解非线性最小二乘问题。
y＝f(x，θ)
式中y是系统的输出，x是输入，θ是参数（它们可以是向量）。这里的非线性是指对参数θ的非线性模型，不包括输入输出变量随时间的变化关系。在估计参数时模型的形式f是已知的，经过N次实验取得数据(x1,y1),(x2,y1)，...,(xn，yn)。估计参数的准则（或称目标函数）选为模型的误差平方和
非线性最小二乘法就是求使Q达到极小的参数估计值孌。
由于 f的非线性，所以不能象线性最小二乘法那样用求多元函数极值的办法来得到参数估计值，而需要采用复杂的优化算法来求解。常用的算法有两类，一类是搜索算法，另一类是迭代算法。
搜索算法的思路是：按一定的规则选择若干组参数值，分别计算它们的目标函数值并比较大小；选出使目标函数值最小的参数值，同时舍弃其他的参数值；然后按规则补充新的参数值，再与原来留下的参数值进行比较，选出使目标函数达到最小的参数值。如此继续进行，直到选不出更好的参数值为止。以不同的规则选择参数值，即可构成不同的搜索算法。常用的方法有单纯形搜索法、复合形搜索法、随机搜索法等。
迭代算法是从参数的某一初始猜测值θ(0)出发，然后产生一系列的参数点θ(1)、θ(2)...，如果这个参数序列收敛到使目标函数极小的参数点孌，那么对充分大的N就可用θ(N) 作为孌。迭代算法的一般步骤是：
① 给出初始猜测值θ(0)，并置迭代步数i＝1。
② 确定一个向量v(i)作为第i步的迭代方向。
③ 用寻优的方法决定一个标量步长ρ(i)，使得 Q(θ(i))＜Q(θ(i))，其中θ(i)＝θi-1+ρ(i)v(i)。
④ 检查停机规则是否满足，如果不满足,则将i加1再从②开始重复；如果满足，则取θ(i)为孌。
典型的迭代算法有牛顿－拉夫森法、高斯迭代算法、麦夸特算法、变尺度法等。
非线性最小二乘法除可直接用于估计静态非线性模型的参数外，在时间序列建模、连续动态模型的参数估计中，也往往遇到求解非线性最小二乘问题。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条