我们开发了一种混合最小二乘蒙特卡罗偏微分方程 (LSMC-PDE) 方法，用于在随机波动下对资产的百慕大风格期权进行定价。 该算法是为任意数量的资产和波动率过程制定的，我们证明该算法几乎可以肯定地收敛于一类模型。 我们还引入了多级蒙特卡罗/多网格方法来提高算法的计算复杂度。 我们的数值示例侧重于单维 (2d) 和多维 (4d) Heston 模型，并将我们的混合算法与经典 LSMC 方法进行比较。 在每种情况下，我们发现混合算法在估计价格和最佳行使边界方面优于标准 LSMC。

Least-squares estimation of transformation parameters between two point patterns。 相似变换相当于等距变换和均匀缩放的一个复合，即为： 左上角2*2矩阵为旋转部分，右上角为平移因子。它有四个自由度，即旋转、x方向平移、y方向平移和缩放因子s。相似变换后长度比、夹角保持不变，其与相似三角形类似。 虽然相似变换和仿射变换的变换矩阵一样，但是其定义不一样。因为相似变换中不存在倾斜变换（也叫错切变换、剪切变换、偏移变换）、翻转变换，而仿射变换中存在。

最小二乘

Moving Least Squares（移动最小二乘Matlab源代码）

通用最小二乘回归Matlab代码General+Least+Squares+Regression

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：libPLS for Partial Least Squares总算法matlab代码_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

使用移动最小二乘法来进行数据增强的代码，在opencv上的实现

递归最小二乘 此Jupyter笔记本包含递归最小二乘（RLS）算法的简短讨论和实现。 RLS在机器学习，信号处理，时间序列分析和逼近理论中非常有用。 在查看笔记本

迭代（重）加权最小二乘 论文 Describes a powerful optimization algorithm which iteratively solves a weighted least squares approximation problem in order to solve an L_p approximation problem

IRLS （迭代重加权最小二乘）优化算法理解 最近在阅读去模糊算法中，在估计模糊核过程中经常提到IRLS算法，决定好好理解一下！ 以下理解来自论文《Iterative Reweighted Least Squares》 对于线性方程组的最优近似解问题： 写成矩阵形式， Ax=b，A∈RM×N{\bf Ax=b，A\in }\mathbb R^{M\times N}Ax=b，A∈RM×N 等价于最小化误差向量e=Ax−b\bf e=Ax-be=Ax−b的范数。 最小平方误差近似 使用二范数作为误差度量：∥e∥22=∑iei2=eTe{\bf \Vert e\Vert_2^2}=\sum_i e