“实际上，如果能克服局部收敛问题的话，那我们只需要通过仿真生成带有位置误差和面形误差的三维非球面数据，接着把生成的坐标点跟标准的非球面方程作对比，得到各坐标点的误差，最后再利用均方根误差最小原理，就可以迭代优化出相应的位置误差……”
实际上，非球面并不意味着毫无规律，其标准方程一般是二次曲面叠加高次项系数，在三维空间中只存在旋转和平移，无需考虑沿z轴的旋转，也就是仅存在6个自由度的变化，至于位置参数则可以用两个包含二阶偏导的三阶矩阵和三个误差项共同表示。
因此，最后的问题可以归纳为：利用一个合理的全局优化算法优化目标函数，使其误差函数值最小。
而秦少锋的基础也确实扎实，在听过导师的思路之后，很快就捕捉到了一些新的想法。
只不过，还隐约有些模糊：
“所以之前说二维模型经过优化之后仍然达不到效果，是因为高斯-牛顿法在求解这个最优解的过程中不正定？”
“也不完全是。”
布拉特无奈地耸了耸肩：
“实际上，日本那边已经有人将求解黑塞矩阵时正定的Levenberg-Marquardt方法用于用于三维测量了，但效果还是达不到预期值。”
“Levenberg-Marquardt方法……”
这个名词终于让秦少锋彻底抓住了那一闪而过的灵感，整个人瞬间精神了起来：
内容未完，下一页继续阅读