Resumen

En este trabajo, combinamos la estructura especial del problema de mínimos cuadrados no lineales separables con un algoritmo de proyección variable basado en la descomposición en valores singulares para separar los parámetros lineales y no lineales. Luego, proponemos encontrar los parámetros no lineales utilizando el algoritmo de Levenberg-Marquardt (LM) y resolver los parámetros lineales ya sea utilizando el método de mínimos cuadrados directamente o mediante un método de iteración que corrige los valores característicos basados en la curva L, según si la matriz de coeficientes de la función no lineal está mal planteada o no. Para probar la viabilidad del método propuesto, comparamos su rendimiento en tres ejemplos con el del método LM sin separación de parámetros. Los resultados muestran que (1) el método de separación de parámetros reduce el número de iteraciones y mejora la eficiencia computacional al reducir las dimensiones de los parámetros y (2) cuando la matriz de coeficientes de los parámetros lineales está bien plante

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Estructura especial; Problema de mínimos cuadrados no lineales separable; Algoritmo de proyección de variables; Algoritmo de Levenberg-Marquart; Método de mínimos cuadrados; Método de iteración
• Keywords:Special structure; Separable nonlinear least squares problem; Variable projection algorithm; LevenbergMarquart algorithm; Least squares method; Iteration method