L~M方法：

首先，L~M方法首先是一种非线性规划方法；其次其主要用于无约束的多维非线性规划问题；最后，它是一阶牛顿法的一种改进，改进的目的是为了更快的收敛。

既然如此，那么让我们先来了解一下L~M方法的“前辈”一阶牛顿法吧。对一阶牛顿法的理解会帮助我们了解L~M方法的总体思路。

         对于无约束的多维非线性规划问题，起码我们需要一个可以令人接受的参数估计的初始解，我们设其为：X^k。（举个例子，这就是张正友标定法中通过纯粹的几何推导得出的摄像机参数）。在X^k的基础上，我们去寻找比X^k更“靠谱”的估计值。既然我们已经认为X_k可以令人接受，那么更好更精确的估计值应该在X_k的附近，在距离X_k长度为Δ^k的地方。那么，现在我们用一点点高等数学的知识：泰勒展开式。对于一阶牛顿法，我们用一阶泰勒展式逼近X^k附近点的f(X_k+Δ^k)估计值。（这里提到的量都是矩阵形式哦比如，在张正友标定法中f(X_k+Δ^k)由u和v组成）如下

        假设ε=X^k+1-X^k在某时以变化的缓慢到我们认为算法以收敛。我们称ε为终止条件。

        那么，我们就这样迭代下去，总会得到符合我们预期的X^k+1。

        以上就是一阶牛顿法，说白了就是一个不断向着有利方向迭代的过程。

        L~M方法是在一阶牛顿法基础上的改进。为加快收敛，L~M把上面的正规化方程改成了增量正规化方程。如下：

         λ就是增量方程中所谓的增量。

         L~M方法中，取增量的规则如下：

         最初，设λ=0.0001，如果增量方程的解Δ^k导致e^k减小，我们就接受这个λ，并在下一次迭代中使用λ/10代换λ。如果λ值对应的增量方程的解Δ^k导致e^k增大，我们就舍弃这个λ，并将其代换为10λ重解增量方程。循环往复直到e^k下降为止。λ^k+1=10λ^k

         L~M也是迭代循环，直到总会得到符合我们预期的X^k+1为止。

        以上就是L~M方法的原理与出处。大家一定觉得昏昏欲睡了。那么下一部分，应该是大家喜闻乐见的。玉米，将L~M算法的过程总结成算法流程图，与大家分享。||Δ^k||<ε

二、L~M这样用：

         该流程图就是L-M算法的算法流程。玉米就不多说什么了，流程图更清晰一些。

 

        玉米才疏学浅，文章中如有纰漏，请大家批评指正！