polyfit函数用于多项式拟合，拟合y=a0+a1*x+a2*x^2+……+apoly_n*x^poly_n 参数： /// \param x 观察值的x /// \param y 观察值的y /// \param poly_n 期望拟合的阶数，若poly_n=2，则y=a0+a1*x+a2*x^2 /// \param isSaveFitYs 拟合后的数据是否保存，默认是

一个DEM类，包括记录DEM的原点坐标、DEM格网间距、DEM格网大小、DEM高程等基本属性以及最小二乘配置的点云格网DEM内插程序。

最小二乘人脸识别程序-LSCFaceRecognition.m 本人初学模式识别，写的一个用最小二乘法进行人脸识别的小程序，分享下。继续努力中.... LSCFaceRecognition.m

Least-Squares-SIR-Example:使用最小二乘和scipy.optimize.minimize将基本SIR模型拟合到数据

整体最小二乘方法(TLS)以其同时考虑系数矩阵和观测值的误差而作为一种较新的平差方法出现。文中通过阐述整体最小二乘算法基本思想,然后对曲线方程进行线性化,最后结合实例详细解算并分析整体最小二乘在曲线拟合中的应用,验证了该方法的有效性和可行性。

直接可用，包括曲线估计，gcv估计，岭估计，适用于解决最小二乘中的过拟合问题。可以被用于参数识别，模态识别等多参数识别及优化问题

最小二乘支持向量机的编写程序，很值的大家参考，谢谢

分布式估计由于其可伸缩性，鲁棒性和低功耗而受到越来越多的关注。 在大多数分布式估计算法中，系统的输出被认为是有噪声的，而输入数据则被认为是准确的。 但是，在实际应用中，输入和输出数据都可能受到噪声的干扰。 因此，假设输入数据中的所有条目都是准确的并且仅输出数据中的条目被破坏是不现实的。 在输入和输出数据嘈杂的情况下，总最小二乘（TLS）方法具有将输入和输出数据中的扰动最小化的能力，因此比基于最小二乘（LS）的方法具有更好的性能。 。 此外，许多自然和人为系统都表现出高度的稀疏性。 在本文中，我们考虑输入和输出数据都被噪声破坏，并且感兴趣的参数稀疏的情况。 针对网络内协作估计问题，我们提出了几种稀疏感知的分布式TLS算法，其中使用l（1）-或l（0）-范数惩罚项来利用信号的稀疏性。 然后，我们对提出的算法的均值和均方性能进行理论分析。 另外，给出了几个数值模拟，以验证这些建议算法的有效性和优势。

偏最小二乘是建立表到表的线性拟合关系，然后预测的方法(处理高维数据)，比如在光谱分析中，X是某物质的光谱样本构成的训练集，Y是对应的成分数据，x是要预测成分的光谱数据。

偏最小二乘回归：当数据量小，甚至比变量维数还小，而相关性又比较大时使用，这个方法甚至优于主成分回归。