最小二乘法线性拟合和2次曲线拟合算法

最近由于项目要求，应用了最小二乘法线性拟合和2次曲线拟合算法，现总结如下：

最小二乘法线性拟合应用已有的采样时间点，再现这些点所描述的线性变化，即求出一个线性方程y=ax+b(这个算法的主要问题也就是如何用给定的数据求线性方程系数a和b)

//最小二乘法线性拟合,线性方程求系数,Xval时间数据，Yval每个时间点上的值数据，n数据的个数，Aval线性方程系数a,Bval线性方程系数b
BOOL DlgDataAnalyse::TwoCurveCompose(double *Xval,double *Yval,long n,double *Aval,double *Bval)
{
 double mX,mY,mXX,mXY;
 mX=mY=mXX=mXY=0;
 for (int i=0;i<n;i++)
 {
  mX+=Xval[i];
  mY+=Yval[i];
  mXX+=Xval[i]*Xval[i];
  mXY+=Xval[i]*Yval[i];
 }
 if(mX*mX-mXX*n==0)return FALSE;
 *Aval=(mY*mX-mXY*n)/(mX*mX-mXX*n);
 *Bval=(mY-mX*(*Aval))/n;
 return TRUE;
}
最小二乘法2次曲线拟合应用已有的采样时间点，再现这些点所描述的2次曲线的变化，即求出一个二次曲线方程y=ax2+bx+c (这个算法的主要问题也就是如何用给定的数据求方程系数abc)

 今天使用拟合的最小二乘法，求出了给定的一组坐标系上的点对最接近的直线的。
　　其具体理论如下：
   在科学实验数据处理中，往往要根据一组给定的实验数据，求出自变量x与因变量y的函数关系，这是为待定参数，由于观测数据总有误差，且待定参数ai的数量比给定数据点的数量少(即n＜m)，因此它不同于插值问题.这类问题不要求通过点，而只要求在给定点