Resumen

Para modelos de mínimos cuadrados no lineales separables, se estudia un algoritmo de proyección variable basado en la factorización de matrices, y se considera el malcondicionamiento de los parámetros del modelo en el proceso de solución específica del modelo. Cuando se estiman los parámetros lineales, se utiliza el método de regularización de Tikhonov para resolver los problemas malcondicionados. Cuando se estiman los parámetros no lineales, se aplican la descomposición QR, la descomposición ortogonal de Gram-Schmidt y la SVD en la matriz Jacobiana. Luego, se comparan estos métodos con el método en el que las variables no están separadas. Se realizan experimentos numéricos utilizando datos de redes neuronales RBF, y los resultados experimentales se analizan en términos de indicadores cualitativos y cuantitativos. Los resultados muestran que los algoritmos propuestos son efectivos y robustos.

• Materias:Internet de las cosas Algoritmo iterativo Algoritmo de evaluación Viga viscoelástica Lenguaje de programación
• Subjects:Internet of things Iterative algorithm Evaluation algorithm Viscoelastic beam Programming language
• Palabras claves:Separable; Modelos de mínimos cuadrados no lineales; Algoritmo de proyección de variables; Mala condición; Método de regularización de Tikhonov; Descomposición QR
• Keywords:Separable; Nonlinear least squares models; Variable projection algorithm; Ill-conditioning; Tikhonov regularization method; QR decomposition