HTML Microdata document

This HTML5 document contains 196 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

Prefix	IRI
dbt	http://dbpedia.org/resource/Template:
wikipedia-en	http://en.wikipedia.org/wiki/
n16	http://people.duke.edu/~hpgavin/ce281/
dbr	http://dbpedia.org/resource/
n39	http://www2.imm.dtu.dk/pubdb/views/edoc_download.php/3215/pdf/
n24	http://www.nrbook.com/a/
n13	http://commons.wikimedia.org/wiki/Special:FilePath/
dbpedia-fr	http://fr.dbpedia.org/resource/
n25	https://archive.today/20180516200045/http:/www2.imm.dtu.dk/projects/hbn_software/
dcterms	http://purl.org/dc/terms/
rdfs	http://www.w3.org/2000/01/rdf-schema#
rdf	http://www.w3.org/1999/02/22-rdf-syntax-ns#
n40	http://dbpedia.org/resource/File:
dbp	http://dbpedia.org/property/
n34	https://web.archive.org/web/20140301154319/http:/www3.villanova.edu/maple/misc/
xsdh	http://www.w3.org/2001/XMLSchema#
n29	https://digital.library.unt.edu/ark:/67531/metadc283525/m2/1/high_res_d/
dbpedia-uk	http://uk.dbpedia.org/resource/
dbo	http://dbpedia.org/ontology/
dbpedia-pt	http://pt.dbpedia.org/resource/
dbpedia-ja	http://ja.dbpedia.org/resource/
dbc	http://dbpedia.org/resource/Category:
dbpedia-de	http://de.dbpedia.org/resource/
dbpedia-pl	http://pl.dbpedia.org/resource/
dbpedia-ru	http://ru.dbpedia.org/resource/
yago	http://dbpedia.org/class/yago/
n15	http://ananth.in/docs/
n20	http://link.aip.org/link/%3FGPY/72/W1/
wikidata	http://www.wikidata.org/entity/
n26	https://global.dbpedia.org/id/
dbpedia-it	http://it.dbpedia.org/resource/
prov	http://www.w3.org/ns/prov#
foaf	http://xmlns.com/foaf/0.1/
dbpedia-zh	http://zh.dbpedia.org/resource/
n27	http://lt.dbpedia.org/resource/
dbpedia-fa	http://fa.dbpedia.org/resource/
dbpedia-es	http://es.dbpedia.org/resource/
freebase	http://rdf.freebase.com/ns/
n33	http://www.siam.org/books/textbooks/
owl	http://www.w3.org/2002/07/owl#
n35	https://archive.today/20180516200006/http:/www2.imm.dtu.dk/projects/hbn_software/

Statements

Subject Item: dbr:Electrical_impedance_tomography
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:List_of_algorithms
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Non-linear_least_squares
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:MINPACK
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Determination_of_equilibrium_constants
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Ridge_regression
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Donald_Marquardt
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Inverse_kinematics
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Levenberg–Marquardt_algorithm
rdf:type: yago:Procedure101023820 yago:PsychologicalFeature100023100 yago:Act100030358 yago:Abstraction100002137 yago:Algorithm105847438 yago:YagoPermanentlyLocatedEntity yago:WikicatOptimizationAlgorithmsAndMethods yago:Activity100407535 yago:WikicatStatisticalAlgorithms yago:Event100029378 yago:Rule105846932
rdfs:label: Algoritmo de Levenberg–Marquardt Algorithme de Levenberg-Marquardt Algoritmo di Levenberg-Marquardt Levenberg–Marquardt algorithm 莱文伯格-马夸特方法 Algoritmo de Levenberg-Marquardt Algorytm Levenberga-Marquardta Алгоритм Левенберга — Марквардта Levenberg-Marquardt-Algorithmus レーベンバーグ・マルカート法 Алгоритм Левенберга — Марквардта
rdfs:comment: L’algorithme de Levenberg-Marquardt, ou algorithme LM, permet d'obtenir une solution numérique au problème de minimisation d'une fonction, souvent non linéaire et dépendant de plusieurs variables. L'algorithme repose sur les méthodes derrière l'algorithme de Gauss-Newton et l'algorithme du gradient. Plus stable que celui de Gauss-Newton, il trouve une solution même s'il est démarré très loin d'un minimum. Cependant, pour certaines fonctions très régulières, il peut converger légèrement moins vite. L'algorithme fut développé par Kenneth Levenberg, puis publié par Donald Marquardt. 莱文伯格-马夸特方法（英語：Levenberg–Marquardt algorithm）能提供數非線性最小化（局部最小）的數值解。此演算法能藉由執行時修改參數達到結合高斯-牛顿算法以及梯度下降法的優點，並對兩者之不足作改善（比如高斯-牛顿算法之反矩陣不存在或是初始值離局部極小值太遠）。 Algorytm Levenberga-Marquardta – algorytm optymalizacji nieliniowej. Jest to algorytm iteracyjny, łączący w sobie cechy metody największego spadku i metody Gaussa-Newtona. Der Levenberg-Marquardt-Algorithmus, benannt nach und , ist ein numerischer Optimierungsalgorithmus zur Lösung nichtlinearer Ausgleichs-Probleme mit Hilfe der Methode der kleinsten Quadrate. Das Verfahren kombiniert das Gauß-Newton-Verfahren mit einer Regularisierungstechnik, die absteigende Funktionswerte erzwingt. L'algoritmo di Levenberg-Marquardt (LMA) è un algoritmo di ottimizzazione usato per la soluzione di problemi in forma di , che trova comunemente applicazioni in problemi di curve fitting. LMA è un algoritmo iterativo, nel quale il vettore di aggiornamento della soluzione ad ogni iterazione è dato da un'interpolazione fra l'algoritmo di Gauss-Newton e il metodo di discesa del gradiente. LMA può essere considerato come una versione dell'algoritmo di Gauss-Newton, rispetto al quale è più robusto ma, in generale, leggermente più lento. L'algoritmo è stato pubblicato nel 1944 da , e fu riscoperto nel 1963 da e, indipendentemente, da Girard, Wynne e Morrison. En matemáticas y computación, el algoritmo de Levenberg-Marquardt (LMA o simplemente LM), también conocido como el método de mínimos cuadrados amortiguados (DLS), se utiliza para resolver problemas de mínimos cuadrados no lineales. Estos problemas de minimización surgen especialmente en el ajuste de curvas de mínimos cuadrados. In mathematics and computing, the Levenberg–Marquardt algorithm (LMA or just LM), also known as the damped least-squares (DLS) method, is used to solve non-linear least squares problems. These minimization problems arise especially in least squares curve fitting. The LMA interpolates between the Gauss–Newton algorithm (GNA) and the method of gradient descent. The LMA is more robust than the GNA, which means that in many cases it finds a solution even if it starts very far off the final minimum. For well-behaved functions and reasonable starting parameters, the LMA tends to be slower than the GNA. LMA can also be viewed as Gauss–Newton using a trust region approach. Em matemática e computação, o Método de Levenberg–Marquardt ou Algoritmo de Levenberg–Marquardt (LMA na sigla em inglês) é um método de otimização publicado primeiramente por e aperfeiçoado por . O método procura o mínimo local em uma função e converge mais rapidamente do que um algoritmo genético. Алгоритм Левенберга — Марквардта — метод оптимизации, направленный на решение задач о наименьших квадратах. Является альтернативой методу Ньютона. Может рассматриваться как комбинация последнего с методом градиентного спуска или как метод доверительных областей (Марквард, стр 492). Алгоритм был сформулирован независимо Левенбергом (1944) и Марквардтом (1963). Алгоритм Левенберга–Марквардта (англ. Levenberg–Marquardt algorithm, LMA або просто LM), також відомий як метод сгасних найменших квадратів (англ. damped least-squares, DLS) використовується у математиці та обчислювальній техніці для розв'язування нелінійних задач найменших квадратів. Такі задачі мінімізації особливо актуальні при підборі кривої методом найменших квадратів. LMA інтерполює між алгоритмом Гаусса–Ньютона (GNA) та методом градієнтного спуску. LMA є більш надійним, ніж GNA, що означає, що в багатьох випадках він знаходить рішення, навіть якщо воно починається дуже далеко від кінцевого мінімуму. Для нормальної роботи функцій і розумних стартових параметрів LMA, як правило, повільніше, ніж GNA. LMA також можна розглядати як Гаусса–Ньютона, використовуючи підхід довіри до регіону.
foaf:depiction: n13:Lev-Mar-best-fit.png n13:Lev-Mar-better-fit.png n13:Lev-Mar-poor-fit.png
dcterms:subject: dbc:Statistical_algorithms dbc:Optimization_algorithms_and_methods dbc:Least_squares
dbo:wikiPageID: 892446
dbo:wikiPageRevisionID: 1088958716
dbo:wikiPageWikiLink: dbr:Gauss–Newton_algorithm dbr:Directional_derivative dbr:Estimation_theory dbr:Robustness_(computer_science) dbr:MATLAB dbr:Local_minimum dbr:Nelder–Mead_method dbr:Statistician dbr:Frankford_Arsenal dbr:Statistics dbr:Ridge_regression dbr:Donald_Marquardt dbr:Global_minimum dbr:Non-linear_least_squares dbr:Gauss–Newton dbr:Iteration dbr:GNU_Octave dbc:Statistical_algorithms dbr:Kenneth_Levenberg dbr:Trust_region dbr:DuPont dbr:Least_squares dbc:Optimization_algorithms_and_methods dbr:Tikhonov_regularization dbc:Least_squares dbr:Ill-posed_problems dbr:Gradient_descent dbr:SIAM_Journal_on_Numerical_Analysis dbr:Gradient dbr:Mathematics dbr:Geodesic dbr:Finite_difference dbr:Jacobian_matrix_and_determinant dbr:Curve_fitting n40:Lev-Mar-best-fit.png n40:Lev-Mar-better-fit.png n40:Lev-Mar-poor-fit.png
dbo:wikiPageExternalLink: n15:lmtut.pdf n16:lm.pdf n20:1 n24:bookcpdf.php n25:SMarquardt.m n29:metadc283525.pdf n33:fr18_book.pdf n34:mtc1093.html n35:marquardt.m n39:imm3215.pdf
owl:sameAs: dbpedia-fr:Algorithme_de_Levenberg-Marquardt dbpedia-fa:الگوریتم_لونبرگ-مارکوارت freebase:m.03mbsx dbpedia-pt:Algoritmo_de_Levenberg–Marquardt dbpedia-ru:Алгоритм_Левенберга_—_Марквардта dbpedia-it:Algoritmo_di_Levenberg-Marquardt n26:Rx68 n27:Levenbergo-Markardo_algoritmas dbpedia-de:Levenberg-Marquardt-Algorithmus dbpedia-zh:莱文伯格-马夸特方法 dbpedia-pl:Algorytm_Levenberga-Marquardta wikidata:Q1426494 dbpedia-uk:Алгоритм_Левенберга_—_Марквардта dbpedia-ja:レーベンバーグ・マルカート法 dbpedia-es:Algoritmo_de_Levenberg-Marquardt
dbp:wikiPageUsesTemplate: dbt:Optimization_algorithms dbt:Short_description dbt:Refbegin dbt:Reflist dbt:Refend dbt:Cite_book dbt:Cite_journal dbt:Tmath dbt:Dead_link dbt:Isbn
dbo:thumbnail: n13:Lev-Mar-poor-fit.png?width=300
dbp:bot: InternetArchiveBot
dbp:date: February 2020
dbp:fixAttempted: yes
dbo:abstract: Algorytm Levenberga-Marquardta – algorytm optymalizacji nieliniowej. Jest to algorytm iteracyjny, łączący w sobie cechy metody największego spadku i metody Gaussa-Newtona. 莱文伯格-马夸特方法（英語：Levenberg–Marquardt algorithm）能提供數非線性最小化（局部最小）的數值解。此演算法能藉由執行時修改參數達到結合高斯-牛顿算法以及梯度下降法的優點，並對兩者之不足作改善（比如高斯-牛顿算法之反矩陣不存在或是初始值離局部極小值太遠）。 En matemáticas y computación, el algoritmo de Levenberg-Marquardt (LMA o simplemente LM), también conocido como el método de mínimos cuadrados amortiguados (DLS), se utiliza para resolver problemas de mínimos cuadrados no lineales. Estos problemas de minimización surgen especialmente en el ajuste de curvas de mínimos cuadrados. El LMA se usa en muchas aplicaciones de software para resolver problemas genéricos de ajuste de curvas. Sin embargo, como ocurre con muchos algoritmos de ajuste, el LMA solo encuentra un mínimo local, que no es necesariamente el mínimo global. El LMA interpola entre el algoritmo de Gauss-Newton (GNA) y el método de descenso de gradiente. El LMA es más robusto que el GNA, lo que significa que en muchos casos encuentra una solución incluso si comienza muy lejos del mínimo final. Para funciones de buen comportamiento y parámetros de inicio razonables, el LMA tiende a ser un poco más lento que el GNA. El LMA también se puede ver como Gauss-Newton utilizando un enfoque de región de confianza. El algoritmo fue publicado por primera vez en 1944 por Kenneth Levenberg, mientras trabajaba en el Arsenal del Ejército de Frankford. Fue redescubierto en 1963 por Donald Marquardt, quien trabajó como estadístico en DuPont, e independientemente por Girard Wynne y Morrison. L’algorithme de Levenberg-Marquardt, ou algorithme LM, permet d'obtenir une solution numérique au problème de minimisation d'une fonction, souvent non linéaire et dépendant de plusieurs variables. L'algorithme repose sur les méthodes derrière l'algorithme de Gauss-Newton et l'algorithme du gradient. Plus stable que celui de Gauss-Newton, il trouve une solution même s'il est démarré très loin d'un minimum. Cependant, pour certaines fonctions très régulières, il peut converger légèrement moins vite. L'algorithme fut développé par Kenneth Levenberg, puis publié par Donald Marquardt. C'est un problème qui se présente souvent en régression linéaire et non linéaire. In mathematics and computing, the Levenberg–Marquardt algorithm (LMA or just LM), also known as the damped least-squares (DLS) method, is used to solve non-linear least squares problems. These minimization problems arise especially in least squares curve fitting. The LMA interpolates between the Gauss–Newton algorithm (GNA) and the method of gradient descent. The LMA is more robust than the GNA, which means that in many cases it finds a solution even if it starts very far off the final minimum. For well-behaved functions and reasonable starting parameters, the LMA tends to be slower than the GNA. LMA can also be viewed as Gauss–Newton using a trust region approach. The algorithm was first published in 1944 by Kenneth Levenberg, while working at the Frankford Army Arsenal. It was rediscovered in 1963 by Donald Marquardt, who worked as a statistician at DuPont, and independently by Girard, Wynne and Morrison. The LMA is used in many software applications for solving generic curve-fitting problems. By using the Gauss–Newton algorithm it often converges faster than first-order methods. However, like other iterative optimization algorithms, the LMA finds only a local minimum, which is not necessarily the global minimum. L'algoritmo di Levenberg-Marquardt (LMA) è un algoritmo di ottimizzazione usato per la soluzione di problemi in forma di , che trova comunemente applicazioni in problemi di curve fitting. LMA è un algoritmo iterativo, nel quale il vettore di aggiornamento della soluzione ad ogni iterazione è dato da un'interpolazione fra l'algoritmo di Gauss-Newton e il metodo di discesa del gradiente. LMA può essere considerato come una versione dell'algoritmo di Gauss-Newton, rispetto al quale è più robusto ma, in generale, leggermente più lento. L'algoritmo è stato pubblicato nel 1944 da , e fu riscoperto nel 1963 da e, indipendentemente, da Girard, Wynne e Morrison. Алгоритм Левенберга–Марквардта (англ. Levenberg–Marquardt algorithm, LMA або просто LM), також відомий як метод сгасних найменших квадратів (англ. damped least-squares, DLS) використовується у математиці та обчислювальній техніці для розв'язування нелінійних задач найменших квадратів. Такі задачі мінімізації особливо актуальні при підборі кривої методом найменших квадратів. LMA інтерполює між алгоритмом Гаусса–Ньютона (GNA) та методом градієнтного спуску. LMA є більш надійним, ніж GNA, що означає, що в багатьох випадках він знаходить рішення, навіть якщо воно починається дуже далеко від кінцевого мінімуму. Для нормальної роботи функцій і розумних стартових параметрів LMA, як правило, повільніше, ніж GNA. LMA також можна розглядати як Гаусса–Ньютона, використовуючи підхід довіри до регіону. Алгоритм був вперше опублікований у 1944 році , під час роботи у Франкфордському армійському арсеналі. У 1963 році його знову відкрили , який працював статистиком у DuPont, і незалежно Жірард, Вінн і Моррісон. LMA використовується в багатьох програмних додатках для розв'язання загальних задач . Використовуючи алгоритм Гаусса–Ньютона, він часто сходиться швидше, ніж методи першого порядку. Однак, як і інші алгоритми ітераційної оптимізації, LMA знаходить лише локальний мінімум, який не обов'язково є глобальним мінімумом. Алгоритм Левенберга — Марквардта — метод оптимизации, направленный на решение задач о наименьших квадратах. Является альтернативой методу Ньютона. Может рассматриваться как комбинация последнего с методом градиентного спуска или как метод доверительных областей (Марквард, стр 492). Алгоритм был сформулирован независимо Левенбергом (1944) и Марквардтом (1963). Der Levenberg-Marquardt-Algorithmus, benannt nach und , ist ein numerischer Optimierungsalgorithmus zur Lösung nichtlinearer Ausgleichs-Probleme mit Hilfe der Methode der kleinsten Quadrate. Das Verfahren kombiniert das Gauß-Newton-Verfahren mit einer Regularisierungstechnik, die absteigende Funktionswerte erzwingt. Der Levenberg-Marquardt-Algorithmus ist deutlich robuster als das Gauß-Newton-Verfahren, das heißt, er konvergiert mit einer hohen Wahrscheinlichkeit auch bei schlechten Startbedingungen, allerdings ist auch hier Konvergenz nicht garantiert. Ferner ist er bei Anfangswerten, die nahe dem Minimum liegen, oft etwas langsamer. Em matemática e computação, o Método de Levenberg–Marquardt ou Algoritmo de Levenberg–Marquardt (LMA na sigla em inglês) é um método de otimização publicado primeiramente por e aperfeiçoado por . O método procura o mínimo local em uma função e converge mais rapidamente do que um algoritmo genético.
prov:wasDerivedFrom: wikipedia-en:Levenberg–Marquardt_algorithm?oldid=1088958716&ns=0
dbo:wikiPageLength: 22336
foaf:isPrimaryTopicOf: wikipedia-en:Levenberg–Marquardt_algorithm

Subject Item: dbr:List_of_numerical_analysis_topics
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Powell's_dog_leg_method
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Robotic_prosthesis_control
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Gauss–Newton_algorithm
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Nelder–Mead_method
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Encog
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:GNU_Scientific_Library
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Gnuplot
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Fundamental_matrix_(computer_vision)
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Mathematics_of_artificial_neural_networks
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Adept_(C++_library)
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Curve_fitting
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Fluorescence_correlation_spectroscopy
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Kenneth_Levenberg
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Hydrus_(software)
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Biryukov_equation
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Hodgkin–Huxley_model
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Homography_(computer_vision)
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:X-ray_reflectivity
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Models_of_neural_computation
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Bundle_adjustment
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Photogrammetry
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Platt_scaling
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Broyden–Fletcher–Goldfarb–Shanno_algorithm
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Newton's_method_in_optimization
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Origin_(data_analysis_software)
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:XLfit
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Trust_region
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:List_of_statistics_articles
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Michaelis–Menten_kinetics
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:LM
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:LMA
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Rprop
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:PSI-Plot
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Random_search
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Levenberg-Marquardt_algorithm
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm
dbo:wikiPageRedirects: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Superparamagnetic_relaxometry
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Levenberg-Marquardt
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm
dbo:wikiPageRedirects: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Levenberg-Marquardt_Method
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm
dbo:wikiPageRedirects: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Levenberg-Marquardt_nonlinear_least_squares_fitting_algorithm
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm
dbo:wikiPageRedirects: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Levenberg_Marquardt
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm
dbo:wikiPageRedirects: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Levenberg–Marquardt
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm
dbo:wikiPageRedirects: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Levenberg–Marquardt_nonlinear_least_squares_fitting_algorithm
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm
dbo:wikiPageRedirects: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Levenburg-Marquardt
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm
dbo:wikiPageRedirects: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Levmar
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm
dbo:wikiPageRedirects: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Damped_least_squares
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm
dbo:wikiPageRedirects: dbr:Levenberg–Marquardt_algorithm

Subject Item: dbr:Marquardt-Levenberg_algorithm
dbo:wikiPageWikiLink: dbr:Levenberg–Marquardt_algorithm
dbo:wikiPageRedirects: dbr:Levenberg–Marquardt_algorithm

Subject Item: wikipedia-en:Levenberg–Marquardt_algorithm
foaf:primaryTopic: dbr:Levenberg–Marquardt_algorithm