Levmar（C++版本）的资料-dlevmar_dif

学习目标：

记录一下levmar（c++ 版）的一些资料

---

学习内容：

官网网址为：http://users.ics.forth.gr/~lourakis/levmar/index.html

dlevmar_dif（）函数接口说明

• 类似于dlevmar_der（），不同的是Jacobian在内部借助有限差分进行近似。.
• Broyden的一级更新用于计算雅可比的割线近似值，有效地避免了调用
• ffunc多次用于计算有限差分近似。
• 如果分析Jacobian可用，请使用上面的dlevmar_der（）。
• 如果成功，返回迭代次数（>=0），如果失败，返回-1

int dlevmar_dif(void (*func)(double *p, double *hx, int m, int n, void *adata),

• func：描述测量的函数关系。
• double p, / I/O:初始参数估计。输出包含估计的解决方案 */
• double x, / I: 测量向量。NULL表示零向量 */
• int m, /* I: 参数向量维度（即#未知数） */
• int n, /* I: 测量矢量维数 */
• int itmax, /* I:最大迭代次数 */
• double opts[5], /* I:opts[0-4]=最小值。选项[\tau，\epsiln1，\epsilon2，\epsin3，\delta]。分别为||J^T e||_inf、||Dp||_2和||e||_2的初始\mu、停止阈值的比例因子和用于雅可比阶差近似的步长。如果δ＜0，则用中心差来近似雅可比，与默认使用的前向差相比，中心差更准确（但更慢！）。设置为NULL以使用默认值。 /
  double info[LM_INFO_SZ],
  / O: 关于最小化的信息。如果不在乎，则设置为NULL
  *info[0]＝||e||2在初始p。
  *info[1-4]=[||e||_2，||J^T e||_inf，||Dp||_2、\mu/max[J^T J]_ii]，所有这些都是在估计的p下计算的。
  *info[5]＝#迭代，
  *info[6]=终止原因：1-被小梯度J^T e停止
  *2-由小Dp停止
  *3-被itmax停止
  *4-奇异矩阵。从当前p重新启动，增加\mu
  *5-不可能进一步减少误差。用增加的mu重新启动
  *6-由小||e||_2停止
  *7-被无效（即NaN或Inf）“func”值停止；用户错误
  *info[7]=#函数求值
  *info[8]=#雅可比评价
  *info[9]=解决的线性系统数，即减少误差的尝试数
  */
• double work, / I: 工作内存，如果为NULL，则在内部分配。如果=NULL，假定指向
  *至少LM_DIF_WORKSZ（m，n）*大小（双）字节长的内存块
  */
• double*covar，/*O：对应于LS解的协方差矩阵；假设指向mxm矩阵。
  *如果不需要，则设置为NULL。
  */
• void adata) / I: 指向可能需要的附加数据的指针，未解释地传递给func。
  *如果不需要，则设置为NULL
  */

dlevmar_dif（）函数的原文如下
/*

• Similar to dlevmar_der() except that the Jacobian is approximated internally with the aid of finite differences.
• Broyden’s rank one updates are used to compute secant approximations to the Jacobian, effectively avoiding to call
• func several times for computing the finite difference approximations.
• If the analytic Jacobian is available, use dlevmar_der() above.
• Returns the number of iterations (>=0) if successful, -1 if failed

*/
int dlevmar_dif(
void (*func)(double *p, double *hx, int m, int n, void adata), / functional relation describing measurements.
* A p \in R^m yields a \hat{x} \in R^n
*/
double p, / I/O: initial parameter estimates. On output contains the estimated solution */
double x, / I: measurement vector. NULL implies a zero vector /
int m, / I: parameter vector dimension (i.e. #unknowns) /
int n, / I: measurement vector dimension /
int itmax, / I: maximum number of iterations /
double opts[5], / I: opts[0-4] = minim. options [\tau, \epsilon1, \epsilon2, \epsilon3, \delta]. Respectively the
* scale factor for initial \mu, stopping thresholds for ||J^T e||_inf, ||Dp||_2 and ||e||_2 and the
* step used in difference approximation to the Jacobian. If \delta<0, the Jacobian is approximated
* with central differences which are more accurate (but slower!) compared to the forward differences
* employed by default. Set to NULL for defaults to be used.
/
double info[LM_INFO_SZ],
/ O: information regarding the minimization. Set to NULL if don’t care
* info[0]= ||e||_2 at initial p.
* info[1-4]=[ ||e||_2, ||J^T e||_inf, ||Dp||_2, \mu/max[J^T J]_ii ], all computed at estimated p.
* info[5]= # iterations,
* info[6]=reason for terminating: 1 - stopped by small gradient J^T e
* 2 - stopped by small Dp
* 3 - stopped by itmax
* 4 - singular matrix. Restart from current p with increased \mu
* 5 - no further error reduction is possible. Restart with increased mu
* 6 - stopped by small ||e||_2
* 7 - stopped by invalid (i.e. NaN or Inf) “func” values; a user error
* info[7]= # function evaluations
* info[8]= # Jacobian evaluations
* info[9]= # linear systems solved, i.e. # attempts for reducing error
*/
double work, / I: working memory, allocated internally if NULL. If !=NULL, it is assumed to point to
* a memory chunk at least LM_DIF_WORKSZ(m, n)*sizeof(double) bytes long
*/
double covar, / O: Covariance matrix corresponding to LS solution; Assumed to point to a mxm matrix.
* Set to NULL if not needed.
*/
void adata) / I: pointer to possibly needed additional data, passed uninterpreted to func.
* Set to NULL if not needed
*/

---