Python 算例实现Levenberg-Marquardt算法
第一次写技术博文，有错误的地方欢迎指点。
本博文是通过一个算例对LM算法的学习进行总结，编程语言是python。
理论就不讲了，网上一大堆。
拟合函数 y(x) = exp(a*x^2 + b * x + c) 中的参数 a, b, c 。废话不多说，直接上代码：
# -*- coding:utf-8 -*-
# autor:HuangYuliang
import numpy as np
from numpy import matrix as mat
from matplotlib import pyplot as plt
import random
n = 100
a1,b1,c1 = 1,3,2 # 这个是需要拟合的函数y(x) 的真实参数
h = np.linspace(0,1,n) # 产生包含噪声的数据
y = [np.exp(a1*i**2+b1*i+c1)+random.gauss(0,4) for i in h]
y = mat(y) # 转变为矩阵形式
def Func(abc,iput): # 需要拟合的函数，abc是包含三个参数的一个矩阵[[a],[b],[c]]
a = abc[0,0]
b = abc[1,0]
c = abc[2,0]
return np.exp(a*iput**2+b*iput+c)
def Deriv(abc,iput,n): # 对函数求偏导
x1 = abc.copy()
x2 = abc.copy()
x1[n,0] -= 0.000001
x2[n,0] += 0.000001
p1 = Func(x1,iput)
p2 = Func(x2,iput)
d = (p2-p1)*1.0/(0.000002)
return d
J = mat(np.zeros((n,3))) #雅克比矩阵
fx = mat(np.zeros((n,1))) # f(x) 100*1 误差
fx_tmp = mat(np.zeros((n,1)))
xk = mat([[0.8],[2.7],[1.5]]) # 参数初始化
lase_mse = 0
step = 0
u,v= 1,2
conve = 100
while (conve):
mse,mse_tmp = 0,0
step += 1
for i in range(n):
fx[i] = Func(xk,h[i]) - y[0,i] # 注意不能写成 y - Func ,否则发散
mse += fx[i,0]**2
for j in range(3):
J[i,j] = Deriv(xk,h[i],j) # 数值求导
mse /= n # 范围约束
H = J.T*J + u*np.eye(3) # 3*3
dx = -H.I * J.T*fx # 注意这里有一个负号，和fx = Func - y的符号要对应
xk_tmp = xk.copy()
xk_tmp += dx
for j in range(n):
fx_tmp[i] = Func(xk_tmp,h[i]) - y[0,i]
mse_tmp += fx_tmp[i,0]**2
mse_tmp /= n
q = (mse - mse_tmp)/((0.5*dx.T*(u*dx - J.T*fx))[0,0])
if q > 0:
s = 1.0/3.0
v = 2
mse = mse_tmp
xk = xk_tmp
temp = 1 - pow(2*q-1,3)
if s > temp:
u = u*s
else:
u = u*temp
else:
u = u*v
v = 2*v
xk = xk_tmp
print "step = %d,abs(mse-lase_mse) = %.8f" %(step,abs(mse-lase_mse))
if abs(mse-lase_mse)<0.000001:
break
lase_mse = mse # 记录上一个 mse 的位置
conve -= 1
print xk
z = [Func(xk,i) for i in h] #用拟合好的参数画图
plt.figure(0)
plt.scatter(h,y,s = 4)
plt.plot(h,z,'r')
plt.show()
拟合效果如下图所示：
拟合结果如下：
step = 1,abs(mse-lase_mse) = 6427.823881782
step = 2,abs(mse-lase_mse) = 1348.739146779
step = 3,abs(mse-lase_mse) = 7725.330011166
step = 4,abs(mse-lase_mse) = 51.226834643
step = 5,abs(mse-lase_mse) = 0.013664543
step = 6,abs(mse-lase_mse) = 0.000026830
step = 7,abs(mse-lase_mse) = 0.000000194
参数：[[ 0.97256842]
[ 3.03242402]
[ 1.99001528]]
可以看到，算法迭代了七次就收敛了。并且和真实值 [1, 3, 2] 很接近。
本博文参考了下篇博文：
http://blog.csdn.net/jinshengtao/article/details/53310804