校准基础数学：最小二乘法原理、线性回归、多项式拟合、插值法
各位工程师朋友，咱们今天聊点实在的。
做传感器校准，说白了就是跟数据打交道。你从芯片读回来的原始值，跟真实的物理量之间，总差着那么一口气。怎么把这口气理顺？靠的就是数学。
我个人习惯，把校准数学分成四大块：最小二乘法、线性回归、多项式拟合、插值法。这四样东西，就像钳工手里的锉刀、焊工手里的烙铁，缺一不可。今天我就把这四把刀，一把一把递到你手里。
1. 最小二乘法：校准的“定海神针”
先问个问题：你有一堆测量点，想画一条直线穿过它们，怎么画最合理？
你可能会说，目测一下，让线尽量靠近所有点。嗯，这想法没错，但不够精确。我们需要一个数学标准。
最小二乘法的核心思想就一句话：让所有数据点到这条直线的垂直距离的平方和，最小。
为什么是平方？不是绝对值？
我在项目中遇到过这个问题。用绝对值的话，数学上处理起来很麻烦，求导不连续。平方就不一样了，光滑、可导，方便我们用微积分找最小值。说白了，就是为了计算方便。
核心公式（一元线性回归）：
假设直线方程为 y = ax + b，那么我们要最小化的目标函数是：
J(a, b) = Σ(yi - (a*xi + b))²其中 (xi, yi) 是第 i 个测量点。
怎么求 a 和 b？对 J 分别求 a 和 b 的偏导，令其等于 0，解方程组就行。结果就是：
a = (n*Σ(xi*yi) - Σxi*Σyi) / (n*Σ(xi²) - (Σxi)²)
b = (Σyi - a*Σxi) / n嗯，看着有点复杂，但代码实现起来很简单。你想想看，这其实就是 Excel 里“添加趋势线”时，勾选“线性”背后的数学原理。
避坑指南：
我曾经在一个温度传感器项目里，直接用最小二乘法拟合全量程。结果发现，在低温段误差很大。后来才意识到，传感器在低温区的非线性比较严重，单纯用一条直线去拟合，效果肯定不好。这时候，就该分段拟合或者上多项式了。
2. 线性回归：从理论到代码
线性回归，其实就是最小二乘法在“线性模型”上的具体应用。我们刚才推导的，就是最简单的一元线性回归。
在传感器校准里，线性回归最常见的场景是：两点校准。
比如一个压力传感器，你测两个点：零点（0 kPa）和满量程（100 kPa）。然后你假设中间是线性的，用这两点算出一条直线。这就是线性回归的简化版。
但实际中，我建议你多测几个点。比如测 5 个点，然后用最小二乘法去拟合。为什么？因为传感器本身有噪声，多测几个点能平均掉随机误差，结果更稳定。
// 一个简单的线性回归 C 代码示例
// 输入：x[] 和 y[] 数组，n 为点数
// 输出：斜率 a，截距 b
void linear_regression(float x[], float y[], int n, float *a, float *b) {
float sum_x = 0, sum_y = 0, sum_xy = 0, sum_xx = 0;
for (int i = 0; i < n; i++) {
sum_x += x[i];
sum_y += y[i];
sum_xy += x[i] * y[i];
sum_xx += x[i] * x[i];
}
*a = (n * sum_xy - sum_x * sum_y) / (n * sum_xx - sum_x * sum_x);
*b = (sum_y - (*a) * sum_x) / n;
}这段代码我用了很多年，基本没出过问题。唯一要注意的是，分母不能为零。如果分母为零，说明所有 x 值都一样，那就没法拟合了。
3. 多项式拟合：对付非线性的一把好手
现实世界不是完美的线性。很多传感器，比如热电偶、NTC 热敏电阻，天生就是非线性的。
这时候，线性回归就不够用了。我们需要多项式拟合。
多项式拟合的原理，跟线性回归一模一样，只是把模型从 y = ax + b 换成了 y = a0 + a1*x + a2*x² + ... + an*xⁿ。
你可能会问：阶数选多少合适？
我个人经验是：能低就别高。阶数太高，容易过拟合。什么叫过拟合？就是你的曲线完美地穿过了每一个测量点，但在测量点之间，曲线剧烈震荡，完全不符合物理规律。
重要提醒：
我曾经在一个项目中，用 7 阶多项式去拟合一个温度传感器的 8 个标定点。结果拟合出来的曲线，在标定点之间来回振荡，误差反而比 3 阶多项式还大。后来我改成 3 阶，效果反而更好。
记住：阶数一般不超过 3~4 阶。除非你有非常充分的理由。
多项式拟合的代码实现，通常用“最小二乘法的矩阵形式”来解。这里不展开矩阵运算的细节，你直接用现成的库函数就行。比如 Python 的 numpy.polyfit，或者 C 语言的 gsl_multifit_linear。
4. 插值法：当模型失效时的最后防线
有时候，传感器的响应太复杂，用多项式拟合效果也不好。或者，你手头只有一张标定数据表，没有明确的数学模型。
这时候，就该插值法登场了。
插值法的思路很简单：在两个已知点之间，用某种规则估算出未知点的值。
常见的插值法有几种：
| 方法 | 原理 | 适用场景 |
|---|---|---|
| 线性插值 | 两点之间用直线连接 | 数据点密集，且变化平缓 |
| 三次样条插值 | 分段用三次多项式连接，保证光滑 | 数据点较少，且需要光滑曲线 |
| 拉格朗日插值 | 用一个高次多项式穿过所有点 | 点数很少（如 3~5 个），且精度要求高 |
我个人最常用的是线性插值。为什么？因为它简单、稳定、计算快。在嵌入式芯片上，线性插值只需要一次乘法和一次除法，开销极小。
// 线性插值 C 代码示例
// 输入：已知点 (x1, y1) 和 (x2, y2)，待插值点 x
// 输出：插值结果 y
float linear_interp(float x1, float y1, float x2, float y2, float x) {
if (x2 == x1) return y1; // 防止除零
return y1 + (y2 - y1) * (x - x1) / (x2 - x1);
}嗯，就这么简单。但要注意，插值法只能用于已知点之间。如果你要预测已知点范围之外的值，那叫“外推”，误差会急剧增大，我强烈不建议这么做。
实战建议：
在传感器校准中，我通常的做法是：
- 先尝试线性回归。如果误差在可接受范围内，就用它。
- 如果线性不行，上 2~3 阶多项式拟合。
- 如果多项式拟合也搞不定，或者数据点非常稀疏，就用三次样条插值。
- 最后，如果计算资源极其有限（比如 8 位单片机），就用分段线性插值。
这个顺序，是我踩了无数坑之后总结出来的。你照着做，至少不会出大错。
总结一下
今天咱们聊了四样东西：
- 最小二乘法：校准的数学基础，核心是让误差平方和最小。
- 线性回归：最小二乘法在线性模型上的应用，适合线性传感器。
- 多项式拟合：对付非线性传感器，但阶数别太高。
- 插值法：当模型失效时的备用方案，线性插值最实用。
这些数学工具，说白了就是帮你把传感器的“坏脾气”给捋顺了。下次你拿到一个传感器，先别急着上复杂算法，拿这四把刀挨个试一遍，总有一把适合你。
好，今天就到这儿。下一章咱们聊聊具体的标定流程，从数据采集到参数写入，一条龙讲清楚。