能在看到实验报告之前就给出如此具体的解释，让后者不由得感慨，到底姜还是老的辣。
但这种情绪仅仅维持了不到两秒钟。
只听到布拉特稍作停顿，接着继续说道：
“而且更重要的是，我昨天晚上已经试过了，没用…”
滤镜瞬间破碎了。
当然，活还是得接着干。
一番思索之后，秦少锋又想到了新的路子：
“那如果我们给这台设备升级一部性能更好的控制计算机，是不是就可以略过二维模型计算这一步，直接用三维校正算法获得空间内的圆心和非球型面坐标？”
这一次，倒是没有被直接否决。
“三维校正算法的问题是容易出现局部收敛…导致出现误差特别离谱的离群值，在工业化生产中非常难以接受…”
布拉特显然已经思考过很长时间了：
“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