MATLAB关于最小二乘法和递推最小二乘法程序.rar

一种非迭代的利用最小二乘拟合高斯曲线的方法，很经典。

该PPT文档介绍了最小二乘法的三种形式及其应用于系统辨识和滤波

卡尔曼滤波与经典最小二乘法 二者的相关比较

多元回归-最小二乘法-残差分析笔记 一.多元线性回归模型的假设 我们需要进行以下六个假设，这些假设是经典的多元线性回归模型有效的前提： 1、因变量Y和自变量X1，X2，…，Xk之间的关系是线性的。 2、自变量（X1，X2，…，Xk）不是随机的。而且，两个或多个自变量之间不存在精确的线性关系。 3、以自变量为条件的残差的期望值为0：E（ε|X1，X2，…，Xk）=0。 4、残差项的方差对于所有观察值都是相同的：E（εi2）=σε2。 5、残差项在各个观测值之间是不相关的：E（εiεj）=0，j≠i。 6、残差项是正态分布的。 二.计量经济学中的普通最小二乘法（OLS）的4个基本假设条件分别为：

针对同步发电机模型参数中多个不可观测量的存在使得需要求解复杂的微分方程组对电机参数进行辨识，进而导致了辨识困难，提出了一种完全由可观测量表示的同步发电机辨识模型，即状态量均为由发电机出口电流、励磁电压、励磁电流以及功角，转速变量增量表示的可量测量，并基于该模型提出用直接积分最小二乘原理（DILS）来辨识发电机参数.这样既避免了复杂微分方程的求解过程，简化了参数辨识方法，又提高了辨识效率.辨识后，利用MATLAB进行算例仿真，通过实测曲线和辨识曲线的拟合表明了所采用的辨识模型与算法是正确、有效的.

动态和非线性RPLS模型 动态过程模型 贺敏(太原理工大学) 用于自适应数据建模的递归偏最小二乘法介绍 2016年4月16日 一种典型的动态模型是自回归模型(ARX): 其中y，u，v是过程中的输出、输入和噪音。 和 是确定好的模型系数矩阵， 和 是输出和输入的时间延时值(time lags for the output and input) 动态和非线性RPLS模型 (18) *

初始状态向量是使用高斯和双 R 迭代方法从三个光学瞄准计算的，然后应用最小二乘法和扩展卡尔曼滤波器对其进行优化。

 压力传感器是一种常用的传感元件，由于其自身的非线性和外界测量条件的影响，传感器的输出特性大都为非线性，故存在多种误差因素。这些误差因素通常同时存在，但以温度的影响最为明显，所以对传感器的温度补偿也就尤为重要。本文结合目前应用比较普遍的各种温度补偿方法，通过编制程序，对压力传感器的输出非线性作了补偿。结果表明，基于最小二乘法的温度补偿方法简单，速度快，但是精度一般，应用BP神经网络补偿的效果好，但是算法复杂。

基于总体最小二乘法的迭代学习控制算法的研究