算法补偿中的最小二乘法多项式曲线拟合

因论文中需要使用到最小二乘法来拟合数据曲线，没有原理推导，只是自学+简单使用记录。

Matlab中相关函数：polyfit，polyval（当然matlab中还有许多拟合函数：lsqcurvefit、regress等等）

使用：[P S mu]=polyfit(x,y,n)，其中，P-返回n次拟合多项式系数从高到低依次存放于向量P中，S-包含三个值R、df、normr其中R是上三角矩阵系数，df是自由度，normr是残差平方和，mu-包含两个值 mean（x）均值，std（x）标准差。

两个评级指标：决定系数r2（相关系数r的平方）和相对最大残差ε

                             

St 为总平方和，Sr为残差平方和，ym-y0 为系统最大测量范围，决定系数就是相关系数的平方。在Matlab中具体操作如下：

x=[。。。。。。];
y=[。。。。。。];
[p,s]=polyfit(x,y,n);
f=polyval(p,x);
rs=1-s.normr^2/norm(y-mean(y))^2;
e=max(abs(f-y));

x，y为原始测量数据，rs为决定系数，e为最大残差，n为多项式阶数（n要小于数据个数），图和指令就不贴了。