该书主要介绍了偏最小二乘法的原理及实例分析，对统计分析非常有用，原理描述清楚

SPSS软件的PLS插件，Python-2.5.6

基于偏最小二乘（PLS）的田纳西伊士曼（TEP）故障检测，包含已经处理过的TEP（田纳西伊士曼过程）数据，可直接运行程序，附有详细说明！数据包括正常建模数据和测试数据两部分，适合故障检测与诊断，大数据分析，特征提取方向的研究人员，也可以以此为基础进行扩展性研究！

用matlab编写实现最小二乘法多元线性拟合，可以得到最终拟合方程，并画出预测的回归系数直方图

matlab开发-偏最小二乘法和判别分析法。使用PLS进行判别分析的教程和工具。

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。

书名:偏最小二乘回归的线性与非线性方法 作者:王惠文，吴载斌，孟洁　著 出版社：国防工业出版社 偏最小二乘回归分析是从应用领域中提出的一种新型多元数据分析方法。20多年来，它在理论和应用方面都已经得到迅速的发展。偏最小二乘回归分析主要适用于多因变量对多自变量的回归建模，并可以有效地解决许多用普通多元回归无法解决的问题，诸如克服变量多重相关性在系统建模中的不良作用以及在样本容量小于变量个数的情况下进行回归建模等。而且它还可以将回归建模、主成分分析以及典型相关分析的基本功能有机地结合起来。 　　1999年在国防科技图书出版基金的资助下，本书作者之一王惠文教授曾出版了专著《偏最小二乘回归方法及其应用》。本书将在该专著的基础上，更加全面地体现偏最小二乘回归的理论与应用的前沿发展，详细介绍多种线性与非线性的偏最小二乘回归方法，其中也包括作者们近年来在该领域的研究工作。书中首先简要介绍了多元线性回归、主成分分析和典型相关分析的基本知识，并重点讨论了变量多重相关性在回归建模中的危害。在此基础上，本书详细介绍了偏最小二乘回归的线性与非线性方法，其中包括了偏最小二乘回归线性模型、偏最小二乘通径分析、递阶偏最小二乘回归模型、成分数据回归的建模方法和应用技术、基于函数变换的非线性偏最小二乘回归以及偏最小二乘logistic回归等。此外，书中还对偏最小二乘回归的一些相关理论做了进一步的探讨，较为深刻地展示了其理论内涵与发展空间。为了使读者能够更加便捷地应用偏最小二乘回归方法，本书还介绍了偏最小二乘回归专用软件SIMCA—P的基本功能。 　　本书的读者对象为经济、管理、社会及工程等领域的科研人员，以及高等院校相关专业的研究生和高年级本科生。 第1章 绪论 　1.1　引言 　1.2　数据表的基本知识 第2章 线性回归分析 　2.1　线性回归模型 　2.2　最小二乘估计方法 　2.3　模型效果分析 　2.4　显著性检验 　2.5　变量筛选方法 　2.6　多重相关性问题 第3章 数据表成分的提取方法 　3.1　表内成分的提取——主成分分析 　3.2　表间成分的提取——典型相关分析 第4章 偏最小二乘回归的线性模型 　4.1　工作目标与计算主方法 　4.2　基本性质 　4.3　单变量的偏最小二乘回归 　4.4　辅助分析技术 第5章 偏最小二乘线性模型的案例分析——刀具磨损的预报建模 　5.1　实验数据 　5.2　计算过程 　5.3　辅助分析 　5.4　结果评价 第6章 偏最小二乘的通径模型和递阶模型 　6.1　结构方程模型 　6.2　偏最小二乘通径模型 　6.3　多组变量集合的评估指数构建方法 　6.4　递阶偏最小二乘回归模型 　6.5　成分数据的线性回归分析方法 第7章 偏最小二乘回归的非线性方法 　7.1　引言　 　7.2　拟线性回归模型分析 　7.3　基于样条变换的偏最小二乘回归及其非线性结构分析 　7.4　基于核函数变换的偏最小二乘回归及其非线性结构分析 　7.5　案例分析 　7.6　偏最小二乘的logistic回归模型 第8章 偏最小二乘回归理论的进一步探讨 　8.1　一种更简化的计算方法 　8.2　偏最小二乘回归模型含义的辨识方法 　8.3　参数检验与自变量选择的Bootstrap方法 　8.4　偏最小二乘回归的缺陷和改进 第9章 SIMCA—P软件使用指南 　9.1　SIMCA-P软件概况 　9.2　SIMCA-P软件的分析功能与基本操作 　9.3　SIMCA-P软件使用实例

matlab偏最小二乘法代码，整理各种线性和非线性回归，参考网上资料

在长流程浮选过程中,生产指标难以在线检测,造成操作不及时,影响系统的稳定运行.本文提出了一种基于多源数据的铝土矿浮选过程生产指标集成建模方法.首先结合浮选机理和现场工人经验,分析影响和反映生产指标的多源数据(生产数据和泡沫图像特征数据);然后分别建立各生产指标预测子模型和同步误差补偿子模型;最后采用信息熵和智能协调策略分别构建精矿品位和尾矿品位的集成预测模型.工业验证和工况分析表明,本文集成建模方法具有良好的预测性能和较强的泛化性,为基于生产指标的浮选过程操作参数控制和全流程优化奠定基础.