Pontificia Universidad Catlica del Ecuador

Facultad de Ingeniera
Escuela de Sistemas
Nombre: Elizabeth Zambrano
Nivel: Cuarto nivel 1

1. Tema: El factor de amortiguamiento

2. Resumen
El algoritmo del factor de amortiguamiento es una modificacin del
mtodo de Gauss-Newton que altera levemente a la diagonal en
las ecuaciones normales.
El algoritmo provee una solucin numrica al momento de ajustar
con mnimos cuadrados lineales y no lineales de una funcin
definida en un intervalo.
3. Palabras claves
a. Gauss-Newton
b. Levenberg-Marquardt
c. Matriz Jacobiana
d. Lambda
4. Introduccin
Al realizar mnimos cuadrados en el ajuste de curvas, se producen
problemas de clculo, sin embargo, para resolver esta
complicacin se implementar el algoritmo de LevenbergMarquardt, para el cual se debe proporcionar una aproximacin
inicial para el vector de parmetros el que permite converger al
mnimo global solamente si la estimacin inicial ya es algo
aproximado a la solucin final.
5. Metodologa
Para la implementacin del algoritmo se utiliza la siguiente
frmula:

Pontificia Universidad Catlica del Ecuador

Facultad de Ingeniera
Escuela de Sistemas

() = [ ( , )]2
=1

Donde =
En cada iteracin el vector se sustituye por la nueva estimativa
+
Para determinar ( , + ), que son funciones
aproximadas. ( , + ) ( , ) + donde:

( , )

Es la pendiente de F con respecto a

En el mnimo de la suma de cuadrados tenemos

( + ) [ ( , ) ]2
=1

O en notacin vectorial
( + ) ()
Haciendo la derivada con respecto a tenemos
( ) = [ ()]
Donde es la matriz jacobiana; estas ecuaciones lineales pueden
ser disipadas por .
La contribucin que realiza Levenberg es una versin amortiguada
representada
( + ) = [ ()]
Donde es la matriz identidad, con incremento en el vector de
parmetros

Pontificia Universidad Catlica del Ecuador

Facultad de Ingeniera
Escuela de Sistemas
El factor de amortiguamiento, , se ajusta con cada iteracin. Si la
reduccin de es rpida, el valor ms pequeo se puede utilizar,
con el algoritmo de Gauss-Newton, mientras que, si la iteracin da
una reduccin insuficiente en el residual, se puede aumentar,
dando aproximacin al descenso de la pendiente.
Considerando que el gradiente de con respecto a tenemos:
2( [ ()])
Sin embargo, el algoritmo de Levenberg tiene una desventaja
notable en la cual si es mayor + no es utilizado.
Marquardt reemplaza la matriz Identidad por la diagonal de la
matriz resultante de para que finalmente quede el algoritmo
Levenberg-Marquardt
( + ( )) = [ ()]

6. Resultados
Se generan los datos sintticos a partir de la funcin:
() = + ()
Donde:
a y b son parmetros a determinar.
Se tom x=0,0.1,,6.2
Obtenemos que el valor de a=100 y b=102

Se les aplica ruido a estos datos y aplicamos el mtodo L-M a

estos nuevos datos. Obteniendo que a=100.101 y b=101.861.

Pontificia Universidad Catlica del Ecuador

Facultad de Ingeniera
Escuela de Sistemas

Anlisis de Resultados
La adicin de ruido como factor nos permiti una variacin
notable entre la primera solucin y la segunda.
7. Conclusiones
El algoritmo Levenberg-Marquardt es el ms fiable y cercano a la
aproximacin de la solucin de una funcin.
8. Referencias
https://www.researchgate.net/profile/Juan_Flores3/publication/26
2162839_GASSDARCNLM_for_parametric_image_registration/li
nks/541ae8c30cf203f155ae60ab.pdf
http://people.duke.edu/~hpgavin/ce281/lm.pdf
https://en.wikipedia.org/wiki/LevenbergMarquardt_algorithm