函数快速收敛模型构建方法、装置和终端制造方法及图纸

本发明专利技术实施例公开了一种函数快速收敛模型构建方法、装置和终端，该方法包括：获取待求解模型对应的目标函数，并基于梯度下降算法对目标函数的各变量进行迭代；在迭代过程中，判断当前变量在相邻两次迭代时的偏导数的正负符号是相同还是相反；若相同，则增大当前变量的当前学习率，否则减小所述当前学习率以用于迭代；直到所有变量均满足预设收敛条件，则停止迭代并输出模型系数。在相机标定等的求解过程中，本发明专利技术通过对目标函数的变量根据相邻两次迭代的偏导数的符号来动态调整学习率，使得各变量能够快速达到收敛条件，从而加快相机标定的模型求解过程，提高求解效率等。

Construction method, device and terminal of function fast convergence model

【技术实现步骤摘要】
函数快速收敛模型构建方法、装置和终端
本专利技术涉及计算机
，尤其涉及一种函数快速收敛模型构建方法、装置和终端。
技术介绍
在实际运用中，如相机与单线激光雷达的外参标定，即为求解该单线激光雷达到相机的位姿，而求解相机参数的过程常常用非线性最优来求解。然而，在求解最优值过程中，经常遇到以下问题，例如，由于学习率通常为固定值，即步长固定，若是设置太长，对于一些位姿模型对应的函数往往无法收敛，甚至发散；若是设置太小，理论上是可以达到局部最优值的，但学习缓慢，导致迭代次数太多，收敛时间较长，进而导致求解效率较低。此外，由于一些矩阵模型的参数众多，采用同样大小的学习率，对于某些参数并不适合，故无法同时满足所有参数的要求等。因此，提出一种能加速收敛且同时防止发散的方法来提高相机标定等的求解效率是非常有意义的。
技术实现思路
有鉴于此，本专利技术实施例提出一种函数快速收敛模型构建方法、装置和终端，通过基于梯度下降进行变量迭代优化，并在迭代过程中自适应调整学习率，可以解决现有的最小值优化求解方案中易出现收敛速度慢、迭代次数多等本文档来自技高网...

【技术保护点】
1.一种函数快速收敛模型构建方法，其特征在于，包括：/n获取待求解模型对应的目标函数，并基于梯度下降算法对所述目标函数的每一变量进行迭代；/n在迭代过程中，判断当前变量在相邻两次迭代时的偏导数的正负符号是相同还是相反；若相同，则增大所述当前变量的当前学习率，否则减小所述当前学习率以用于迭代；/n直到进行所述迭代的所有变量均满足预设收敛条件，则停止迭代，并输出所述待求解模型的模型系数。/n

【技术特征摘要】
1.一种函数快速收敛模型构建方法，其特征在于，包括：
获取待求解模型对应的目标函数，并基于梯度下降算法对所述目标函数的每一变量进行迭代；
在迭代过程中，判断当前变量在相邻两次迭代时的偏导数的正负符号是相同还是相反；若相同，则增大所述当前变量的当前学习率，否则减小所述当前学习率以用于迭代；
直到进行所述迭代的所有变量均满足预设收敛条件，则停止迭代，并输出所述待求解模型的模型系数。


2.根据权利要求1所述的函数快速收敛模型构建方法，其特征在于，所述“基于梯度下降算法对所述目标函数的每一变量进行迭代”包括：
对所述目标函数的每一变量分别求偏导数；
按照迭代公式分别计算每一变量对应的下一迭代值，所述迭代公式为：



其中，k≥0，i≥1，k为迭代次数；θi(k+1)为变量θi的第k+1个迭代值；θi(k)为变量θi的第k个迭代值；当k＝0时，θi(0)为变量θi的预设初始值；γ(k)为第k次的学习率；当k＝0时，γ(0)为预设初始学习率；为第k次迭代时变量θi的偏导数，f为目标函数。


3.根据权利要求2所述的函数快速收敛模型构建方法，其特征在于，还包括：
若至少一变量进行迭代时发散，或者至少一变量的迭代次数超过预设次数时仍不满足所述预设收敛条件，则将对应变量的所述预设初始值减小，并重新进行所述迭代，以使所述对应变量满足所述预设收敛条件。


4.根据权利要求1-3中任一项所述的函数快速收敛模型构建方法，其特征在于，所述“若相同，则增大所述当前变量的当前学习率，否则减小所述当前学习率以用于迭代”包括：
若当前变量的前一次迭代时的偏导数与当前迭代时的偏导数的...

【专利技术属性】
技术研发人员：刘锋，
申请(专利权)人：三一重工股份有限公司，
类型：发明
国别省市：北京;11