使用自相关最小二乘法ALS进行卡尔曼滤波器噪声方差矩阵估计。

递推最小二乘实现参数估计，对不确定的系统有良好的参数估计效果。

针对传统最小二乘的曲线拟合方法不适合单一应用在具有复杂结构的试验观测数据中，本文提出一种满足全局连续性约束的多分段区间的最小二乘数据拟合方法。通时把每个相邻分段点上要求拟合连续的约束条件转化成一个矩阵等式 Za = 0，建立一个只包含线性等式约束的最小二乘模型min一Xa -v2，最后通过应用拉格朗日的乘数方法推导出最小二乘解a。本文的拟合方法在分段点上具有良好的拟合效果并满足全局连续，模型系数求解具有简单的显示表达式，易于编程数值计算。

增广最小二乘法是最小二乘法的一种简单推广 只是扩充了参数向量θ和数据向量h(k)的维数 辨识过程模型参数的同时辨识噪声模型 就这种意义上说，可称之为增广最小二乘法 噪声模型参数估计的收敛过程比过程模型参数估计值的收敛速度慢 从实用角度来说，噪声模型阶次不宜取太高 3.4.2 增广最小二乘法原理及算法 增广最小二乘算法的特点

提出了求解线性系统和线性最小二乘系统的迭代方法。 该方法基于 Golub-Kahan 双对角化过程。 它在分析上等效于应用于正规方程的 MINRES 标准方法。 与 LSQR 相比，尽早终止 LSMR 更安全。 有关 LSMR 的详细信息可以在http://www.stanford.edu/group/SOL/software/lsmr.html http://www.stanford.edu/~clfong/lsmr.html

Irls算法-权值最小二乘算法（C++）+opencv2.4.9版本 ps：如果提示确实lib或者无法识别cv，请检查自己的opencv是否配置成功。 2017.11.6亲测成功，算法效率很高，各种需要输出的地方都留下了LogDebug。

针对现有方法在高密度场景人群密度估计不够准确的问题，提出了Gabor滤波结合最小二乘支持向量机（LS-SVM）的人群密度估计算法。首先，设计一组单独的二维Gabor滤波器应用在人群图像中以产生相应的滤波通道。然后，通过计算这些通道上灰度值的均值和方差得到特征向量。最后，采用最小二乘支持向量机分析特征向量和人数之间的关系，完成最终的密度估计。在UCSD数据集和Mall数据集上的实验显示，提出的方法实现了更快的执行时间和更好的精度，证明了基于Gabor滤波器和LS-SVM的人群密度估计算法的有效性。

BP+近邻KNN+LS最小二乘算法的matlab代码——亲测可用（含实例）

此提交是应请求编写的 - 作为处理线性最小二乘问题的工具，受可能存在秩不足的线性等式约束。 （当然，它也可以处理满秩约束的问题。）如果出现秩不足约束系统，它会测试约束的一致性。 我向 LSE 添加了一些其他功能： - 它允许最小二乘问题的多个右手边，当然完全矢量化。 - 可以提供重量。 - 您可以选择最小二乘解算器，反斜杠或 pinv。 LSE 解决问题（对于未知向量 x） argmin 范数(A*x - b) 受约束 C*x = d 例如，考虑随机系统A = rand(10,3); b = rand(10,1); 具有秩亏约束集C = [1 1 1;1 1 1]; d = [1;1]; X = lse(A,b,C,d) X = 0.5107 0.57451 -0.085212 验证是否满足约束 C*X 回答= 1 1 当指定 \ 时，列旋转用于从约束系统中消除变量，

这个是多元的