1) total least absolute deviation
全最小一乘法
1.
This question derives from total least absolute deviation.
讨论并解决了平面上有限个点(x1,y1),(x2,y2),…,(xn,yn)(1)到直线的距离和d=∑ni=1|xi-c|(当直线为x=c时),∑ni=1|yi-axi-b|1+a2(当直线为y=ax+b时)最小的问题,它源于全最小一乘法。
2) weighted total least absolute deviations
多元加权全最小一乘法
1.
Optimal solution on weighted total least absolute deviations
关于多元加权全最小一乘法的最优解
3) least absolute deviation
最小一乘法
1.
Appling least absolute deviation to calculate variable parameter of differential equation,robust grey model RGM(1,1) has been set up and used to forecast the settlement tendency of building.
将最小一乘法应用于微分方程变量参数求解,建立稳健灰色模型RGM(1,1),并将其应用于建筑物沉降预报和比较。
2.
This paper presents a method of iteration for least absolute deviation regression,which uses weighted least squares methods.
利用加权最小二乘法，提出最小一乘的一种迭代算法，这种方法使最小一乘法在计算上变得简单、直
4) least absolute deviation method
最小一乘法
1.
By using the principle of least absolute deviation method, we will give a new priority method—least logarithm absolute deviation method.
利用最小一乘法原理 ,在层次分析中提出了一种新的排序方法——对数最小一乘法 ,并将其转化成线性规划问题求解 ,证明了对数最小一乘法的一些性质 。
5) least absolute value
最小一乘法
1.
On the basis of accumulated generating operation, this paper establishes a grey model of WGM (1, 1, λ, △tk) for unequal gap and proposes least absolute value for estimating parameters.
在加权累加生成的基础上,建立了非等间隔的灰色WGM(1,1,λ,△tk)模型,提出了模型参数估计的最小一乘法,给出了求解最小一乘法的小生境遗传算法。
2.
In order to improve the precision of forecasting model, this paper studies optimal method for estimating parameters in predicting model from several sides ,and develops the method of discount least absolute value that is used as constructing general regressive forecasting model by the use of Euclidean distance.
为提高预测模型的预测精度 ,从几个角度研究了预测模型中参数估计的优化方法 ,并利用欧氏空间的距离将建立趋势预测模型的折扣最小一乘法推广到建立一般因果关系的回归预测模型 。
6) orthogonal least square method
全最小二乘法
1.
The application of orthogonal least square method in 3 dimensional coordinate measure;
全最小二乘法在三坐标测量中的应用
补充资料：非线性最小二乘法
以误差的平方和最小为准则来估计非线性静态模型参数的一种参数估计方法。设非线性系统的模型为
y＝f(x，θ)
式中y是系统的输出，x是输入，θ是参数（它们可以是向量）。这里的非线性是指对参数θ的非线性模型，不包括输入输出变量随时间的变化关系。在估计参数时模型的形式f是已知的，经过N次实验取得数据(x1,y1),(x2,y1)，...,(xn，yn)。估计参数的准则（或称目标函数）选为模型的误差平方和
非线性最小二乘法就是求使Q达到极小的参数估计值孌。
由于 f的非线性，所以不能象线性最小二乘法那样用求多元函数极值的办法来得到参数估计值，而需要采用复杂的优化算法来求解。常用的算法有两类，一类是搜索算法，另一类是迭代算法。
搜索算法的思路是：按一定的规则选择若干组参数值，分别计算它们的目标函数值并比较大小；选出使目标函数值最小的参数值，同时舍弃其他的参数值；然后按规则补充新的参数值，再与原来留下的参数值进行比较，选出使目标函数达到最小的参数值。如此继续进行，直到选不出更好的参数值为止。以不同的规则选择参数值，即可构成不同的搜索算法。常用的方法有单纯形搜索法、复合形搜索法、随机搜索法等。
迭代算法是从参数的某一初始猜测值θ(0)出发，然后产生一系列的参数点θ(1)、θ(2)...，如果这个参数序列收敛到使目标函数极小的参数点孌，那么对充分大的N就可用θ(N) 作为孌。迭代算法的一般步骤是：
① 给出初始猜测值θ(0)，并置迭代步数i＝1。
② 确定一个向量v(i)作为第i步的迭代方向。
③ 用寻优的方法决定一个标量步长ρ(i)，使得 Q(θ(i))＜Q(θ(i))，其中θ(i)＝θi-1+ρ(i)v(i)。
④ 检查停机规则是否满足，如果不满足,则将i加1再从②开始重复；如果满足，则取θ(i)为孌。
典型的迭代算法有牛顿－拉夫森法、高斯迭代算法、麦夸特算法、变尺度法等。
非线性最小二乘法除可直接用于估计静态非线性模型的参数外，在时间序列建模、连续动态模型的参数估计中，也往往遇到求解非线性最小二乘问题。
y＝f(x，θ)
式中y是系统的输出，x是输入，θ是参数（它们可以是向量）。这里的非线性是指对参数θ的非线性模型，不包括输入输出变量随时间的变化关系。在估计参数时模型的形式f是已知的，经过N次实验取得数据(x1,y1),(x2,y1)，...,(xn，yn)。估计参数的准则（或称目标函数）选为模型的误差平方和
非线性最小二乘法就是求使Q达到极小的参数估计值孌。
由于 f的非线性，所以不能象线性最小二乘法那样用求多元函数极值的办法来得到参数估计值，而需要采用复杂的优化算法来求解。常用的算法有两类，一类是搜索算法，另一类是迭代算法。
搜索算法的思路是：按一定的规则选择若干组参数值，分别计算它们的目标函数值并比较大小；选出使目标函数值最小的参数值，同时舍弃其他的参数值；然后按规则补充新的参数值，再与原来留下的参数值进行比较，选出使目标函数达到最小的参数值。如此继续进行，直到选不出更好的参数值为止。以不同的规则选择参数值，即可构成不同的搜索算法。常用的方法有单纯形搜索法、复合形搜索法、随机搜索法等。
迭代算法是从参数的某一初始猜测值θ(0)出发，然后产生一系列的参数点θ(1)、θ(2)...，如果这个参数序列收敛到使目标函数极小的参数点孌，那么对充分大的N就可用θ(N) 作为孌。迭代算法的一般步骤是：
① 给出初始猜测值θ(0)，并置迭代步数i＝1。
② 确定一个向量v(i)作为第i步的迭代方向。
③ 用寻优的方法决定一个标量步长ρ(i)，使得 Q(θ(i))＜Q(θ(i))，其中θ(i)＝θi-1+ρ(i)v(i)。
④ 检查停机规则是否满足，如果不满足,则将i加1再从②开始重复；如果满足，则取θ(i)为孌。
典型的迭代算法有牛顿－拉夫森法、高斯迭代算法、麦夸特算法、变尺度法等。
非线性最小二乘法除可直接用于估计静态非线性模型的参数外，在时间序列建模、连续动态模型的参数估计中，也往往遇到求解非线性最小二乘问题。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条