实验要求： 1. 生成数据，加入噪声； 2. 用高阶多项式函数拟合曲线； 3. 用解析解求解两种loss的最优解（无正则项和有正则项） 4. 优化方法求解最优解（梯度下降，共轭梯度）； 5. 用你得到的实验数据，解释过拟合。 6. 用不同数据量，不同超参数，不同的多项式阶数，比较实验效果。 7. 语言不限，可以用matlab，python。求解解析解时可以利用现成的矩阵求逆。梯度下降，共轭梯度要求自己求梯度，迭代优化自己写。不许用现成的平台，例如pytorch，tensorflow的自动微分工具。

掌握最小二乘法求解（无惩罚项lamda的损失函数）、掌握加惩罚项（2范数）的损失函数优化、梯度下降法、共轭梯度法、理解过拟合、克服过拟合的方法(如加惩罚项、增加样本)

来自麻省理工的正则化最小二乘法讲义，讲得精炼而且较为易懂！

m乘以n的矩阵：奇异值分解、广义逆；数据拟合的最小二乘法。 visual studio 2010 Intel fortran 2011

系统辨识课上的实验作业，该压缩文件里包含我的实验报告以及matlab源代码，包括由M序列产生白噪声，递推最小二乘法以及使用F-Test法进行模型阶次辨识，比较适合学生。

平面度及平整度算法，已将编译成DLL，在多个专案验证无误，可以放心调用，C#、labview都可以

本文首先介绍了最小二乘原理。其次介 绍了用Matlab实现曲线拟合以得到函数关系的方法和步骤。最后举例比较了采用不同方法进行拟合得到的 结果。

系统辨识课课后作业的代码，最小二乘法辨识，包括运行结果。

matlab最小二乘法曲面拟合程序，可以得到函数具体解析式

估计某个点的法向量，可以类似于点云的曲面法向量估计，将该点附近K近邻的点近似在一个局部平面上，之后就通过最小二乘法拟合该平面方程.本代码是基于PCL库，往库中添加新的法向量估计。