【图像处理与机器视觉|LM算法】LM算法可用于解决非线性最小二乘问题。多用于曲线拟合等场合。
LM算法的实现并不难，这里不讨论使用MATLAB等工具直接得到结果的过程，使用那些工具对于算法编程能力的提高无任何益处。
LM算法的关键是用模型函数 f 对待估参数向量p在其领域内做线性近似，忽略掉二阶以上的导数项，从而转化为线性最小二乘问题，它具有收敛速度快等优点。
LM算法需要对每一个待估参数求偏导，所以，如果你的拟合函数 f 非常复杂，或者待估参数相当地多，那么就不适合使用LM算法了，可以使用Powell算法，Powell算法不需要求导。
对于急需自己编程（VC）用LM算法解决一些问题的朋友，如果你的数学几乎都忘了，那么你还是多请教一下自己的朋友吧，要不然连函数的偏导数都不记得怎么求了，是写不出代码的。
网上有很多LM算法的示例程序，但是如果你不理解这个算法的过程，要想看懂它们，很难。而且要对自己定义的函数使用LM算法，更加应该明白该算法的原理。
有一篇很不错的文章，解释了如何实现LM算法：http://www.ics.forth.gr/~lourakis/levmar/levmar.pdf
用Google搜索“Levenberg-Marquardt”，会有很多资料可参考。有一些现成的库也可以使用，不过，到你弄明白怎么用的时候，你都能够自己写出完整的代码了。当初我对LM也是很困惑，一直没弄清它的原理，网上的示例我怎么都用不对，后来一怒之下不再看网上的sample code，重新回到理论上，后来终于弄明白了，于是自己写出了完整的LM实现代码。
需要说明的是，这是非线性无约束的问题，如果待估参数是有约束的（例如参数在某一范围内变动），要想用在LM算法中，我还不知道怎样做，但是这一个帖子或许能给你一些启示（我尚未试验）：http://www.numerical-recipes.com/forum/showthread.php?threadid=179
最后，不得不说的就是，LM算法并非许多人刚接触时想像的那般难，当你了解了过程之后，你就会觉得它很有意思。希望所有在学习它的朋友们都能成功。
推荐阅读
- 神经网络|【论文导读】浅谈胶囊网络与动态路由算法
- MATLAB|【OFDM】基于simulink的OFDM系统仿真
- MATLAB|【指数Lyapunov】Lyapunov指数的MATLAB仿真
- MATLAB|模版匹配定位跟踪
- MATLAB|【智能驾驶】基于合成雷达的传感器融合的智能驾驶MATLAB仿真
- 在线HTML美化格式化工具
- 安全测试|年度盘点 | 安全测试者偏爱的安全测试工具
- python|6个常用的Python编程开发工具
- 历史上的今天|【历史上的今天】1 月 8 日（谷歌推出 Google Pay；Quibi 的重生；平衡二叉树的发明者出生）