变压器绕组的热点温度过高，会导致变压器绝缘脆解、裂化甚至击穿短路。因此及时、准确地预测出变压器绕组的热点温度，对提高变压器运行的安全可靠性至关重要。利用最小二乘双支持向量回归机(LSTSVR)作为边缘计算模型，将变压器油中气体色谱分析数据信息与变压器负载电流、环境温度、顶层油温、上死角温度等变压器运行信息结合，构建监测系统架构，预测变压器的平均油温，并计算出绕组热点温度。将所提方法得到的数据与实测数据进行对比，结果利用LSTSVR模型实现了变压器平均油温及绕组热点温度的准确预测，且该模型的预测精度优于最小二乘支持向量回归机模型，有效地提高了绕组热点温度测量的精度。现场实例也证明了所提方法的有效性和可靠性。

以全站仪为真值数据，SLAM为需要评估的轨迹，用最小二乘算法，对二者进行轨迹匹配。 本代码用于平面坐标系的二维旋转，场景：室内定位过程中，使用LEGO-LOAM算法得到小车的平面位置后，需要将小车的位置转换到真值坐标系下。

来源于论文《最小二乘法曲线拟合及优化算法研究》

基于最小二乘法的椭球拟合一直是网上流传的经典椭球拟合算法。

基于最小二乘法的椭球拟合一直是网上流传的经典椭球拟合算法。

偏最小二乘法是一种数学优化技术，它通过最小化误差的平方和找到一组数据的最佳函数匹配。 用最简的方法求得一些绝对不可知的真值，而令误差平方之和为最小。 很多其他的优化问题也可通过最小化能量或最大化熵用最小二乘形式表达。

使用加权全最小二乘算法解决了将直线拟合到两个坐标均具有不确定性的数据的问题。 参数从通常的斜率/y 轴相交对转换为斜率角度和到原点的距离。 这样做的优点是 a) 确保全局收敛 b) 即使对于垂直线也能找到解决方案。 确定完整的不确定性矩阵（即拟合参数的方差和协方差）。 对于非垂直直线，还给出了通常的参数（斜率/y 轴相交）及其不确定性矩阵。 该算法对于精确测量特别有用，在这种测量中必须了解完整的不确定度矩阵。 该算法由德国 Physikalisch-Technische Bundesanstalt Braunschweig 的 M.Krystek 和 M.Anton 在 Measurement Science and Technology 18 (2007) pp3438-3442 中发表。 名为 pearson_york_tetdata.m 的附加脚本包含该问题的标准统计测试数据集（参见

影响最小二乘计算结果的因素: u(k) ΦTΦ是否可逆 噪声w(k) 大,则 的方差大 白色零均值, 是无偏估计 数据总量N N越大, 的方差越小

建立数学模型，评定基准面，建立三维空间。

对于机载单站无源定位中观测向量和系数矩阵均存在噪声的情况，采用经典的最小二乘(LS)算法会导致估计结果有偏，而一般的批处理算法运算量大，不满足定位的实时性要求。为此提出一种递推总体最小二乘定位(RTLS)算法。在建立机载无源测向定位模型的基础上，引入由系数矩阵和观测向量构成的增广矩阵，利用矩阵分解的性质建立了增广自相关逆矩阵和最右奇异向量的递推方程，从而推导出RTLS定位算法。仿真结果表明，RTLS算法的收敛速度和定位精度优于RLS算法和TWDRLS算法，并且实现了TLS算法对目标位置的实时估计，能够定位