1) general Lagrange multiplier
广义拉氏乘子
2) Lagrange multiplier
拉氏乘子
1.
In this method,without depending upon small parameter,a trial function with possible unknowns is used as initial approximation,then a correction functional is constructed by means of a general Lagrange multiplier,which can be identified via variational theory.
本文提出了一种求解非线性方程的迭代算法 ,它不依赖于小参数 ,是先给方程一个带待定函数的试函数作为初始近似解 ,然后用拉氏乘子法构造一个迭代公式 (校正泛函 ) 。
2.
A concept of splitting factor (an arbitrary parameter) is introduced into Lagrange multiplier,enabling it to do what the traditional Lagrange multiplier could not do.
本文将笔者在１９８１年提出的分裂因子（任意参数）的概念引入拉氏乘子，称为带参数拉氏乘子法。
3.
In EFGM, in order to get a numerical solution for a partial differential equation, shape function is constructed by Moving Least Square (MLS), control equation is produced from the weak form of variational equation and Lagrange multipliers are used to satisfy essential boundary conditions.
它采用移动的最小二乘法构造形函数，从能量泛函的弱变分形式中得到控制方程，并用拉氏乘子满足本征边界条件，从而得到偏微分方程的数值解。
3) Lagrange multiplier method
拉氏乘子
1.
The traditional approach(Lagrange multiplier method)might fail due to the variational crisis occurring during the derivation of generalized variational principles.
若应用传统的拉氏乘子法，由于会出现临界变分现象，不能得到本文的结果。
2.
To overcome this crisis, Chien suggested a method called the high order Lagrange multiplier method.
临界变分现象是拉氏乘子法的固有特性,钱伟长应用高阶拉氏乘子消除了临界变分现象。
4) Lagrangian multiplier
拉氏乘子
1.
The constraint conditions of variation are eliminated by the method of identified Lagrangian multiplier and a generalized variational principle is established.
本文将钱伟长教授在文献［１］中提出的不可压缩粘性流的最大功率消耗原理进一步推广到本构方程为εｉｊ＝τ／σ′ｉｊ的非牛顿流体流动问题，并采用识别的拉氏乘子法解除变分约束条件，导出其广义变分原理
2.
The constraint conditions of variation are eliminated by the method of identified Lagrangian multipliers and a generalized variational principle is estab-lished.
本文将钱伟长教授￣［１］的不可压缩粘性流的最大功率消耗原理推广到一类特殊的非牛顿流体─—广义牛顿流体的流动问题，并采用识别的拉氏乘子法来解除变分约束条件，导出其广义变分原理。
5) generalized Lagrange multiplier
广义拉格朗日乘子
1.
Based on the essence of generalized Lagrange multiplier,a fictitious domain method,especially for Poisson problems,is proposed,where all computational tasks are carried out in an auxiliary simply shaped domain,and the original domain is embedded into.
基于广义拉格朗日乘子法,采用虚拟区域公式求解泊松边值问题。
6) Lagrange multiplier method
拉氏乘子法
1.
In using the Lagrange multiplier method to eliminate constraints of Hellinger-Reissner principle, the multipliers may vanish during the process of variation.
应用拉氏乘子法消除Ｈｅｌｌｉｎｇｅｒ－Ｒｅｉｓｓｎｅｒ变分原理的约束关系时，在识别拉氏乘子的 过程中，会出现拉氏乘子为零的现象。
2.
The variational crises (such as, some of the Lagrangemultipliers vanish completely) are of its inherent character of Lagrange multiplier method.
详细综述了消除临界变分的各种方法：刘高联预处理拉氏乘子法、钱伟长高阶拉氏乘子法及作者提出的半反推法。
补充资料：广义最小二乘估计
用迭代的松弛算法对线性最小二乘估计的一种改进。线性最小二乘估计在模型误差为相关噪声时是有偏估计，即其估计值存在偏差。这时采用广义最小二乘估计能获得较精确的结果。
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列：和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子；{ek}是误差序列，它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成，这里，它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法：先行固定C(z-1)，估计A(z-1)和B(z-1),使J 趋于极小；然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代，直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算，迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高，已得到应用并获得不少成果。它的缺点在于：当信噪比较小时,J可能有多个局部极小点，估计结果不能保证收敛到全局最小点，即参数真值；它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统，并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时，这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.哥德温、R.L.潘恩著，张永光、袁震东译：《动态系统辨识：试验设计与数据分析》，科学出版社，北京，1983。(G.C.Goodwin and R.L.Payne，Dynamic System Identification：Experiment Design and Data Analysis, Academic Press, New York,1977.)
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列：和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子；{ek}是误差序列，它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成，这里，它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法：先行固定C(z-1)，估计A(z-1)和B(z-1),使J 趋于极小；然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代，直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算，迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高，已得到应用并获得不少成果。它的缺点在于：当信噪比较小时,J可能有多个局部极小点，估计结果不能保证收敛到全局最小点，即参数真值；它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统，并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时，这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.哥德温、R.L.潘恩著，张永光、袁震东译：《动态系统辨识：试验设计与数据分析》，科学出版社，北京，1983。(G.C.Goodwin and R.L.Payne，Dynamic System Identification：Experiment Design and Data Analysis, Academic Press, New York,1977.)
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