In this paper, we use Levenberg-Mar

In this paper, we use Levenberg-Marquardt [14], which is a standard algorithm for solving unconstrained nonlinear optimization. Alternative solvers for SBA include preconditioned conjugate gradient =-=[2]-=- or Powell’s dog-leg solver [12]. The LM implementation of SBA repeatedly solves a large linear subproblem whose LHS matrix is positive definite. Recent work in direct sparse Cholesky solvers [4] has

ผลลัพธ์ (ไทย) 1:

ในกระดาษนี้ เราใช้ Levenberg-Marquardt [14], ซึ่งเป็นอัลกอริทึมมาตรฐานสำหรับการแก้เพิ่มประสิทธิภาพเชิงเส้น unconstrained แก้ทางเลือกสำหรับ SBA รวมไล่ conjugate preconditioned =รหัส [2] รหัส - หรือ solver ของพาวเวลล์สุนัขขา [12] การใช้งาน LM ของ SBA ซ้ำ ๆ แก้เป็น subproblem เชิงเส้นขนาดใหญ่ที่มีเมตริกซ์ LHS เป็นบวกแน่นอน มีผลงานล่าสุดในตรงห่าง Cholesky แก้ [4]

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เราจะใช้ Levenberg-Marquardt [14] ซึ่งเป็นขั้นตอนวิธีการมาตรฐานในการแก้ปัญหาการเพิ่มประสิทธิภาพการไม่เชิงเส้นไม่มีข้อ จำกัด แก้ทางเลือกสำหรับ SBA รวม preconditioned ผันลาด = - = [2] - = - พาวเวลหรือสุนัขขาแก้ [12] การดำเนินงานของ LM SBA ซ้ำ ๆ แก้ subproblem เชิงเส้นที่มีขนาดใหญ่ที่มีเมทริกซ์ LHS เป็นบวกแน่นอน ผลงานล่าสุดในการแก้ Cholesky โดยตรงเบาบาง [4] มี

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้เราใช้ levenberg มาร์คว [ 14 ] ซึ่งเป็นขั้นตอนวิธีสำหรับการแก้ปัญหาแบบมาตรฐานต่างกันไปการเพิ่มประสิทธิภาพ การแก้สำหรับ SBA รวม preconditioned ผันลาด = - = - = - [ 2 ] หรือพาวเวลล์สุนัขขาแก้ [ 12 ] การสอนการแก้ subproblem SBA ซ้ำเส้นใหญ่ที่มี LHS เมทริกซ์เป็นบวกแน่นอน ผลงานล่าสุดในป่าโปร่ง โดยเฉพาะด้านทางแก้ [ 4 ] ได้