第2章 误差建模基础：线性回归模型、多项式拟合、最小二乘法原理

各位同学，咱们今天聊聊误差建模的基础。说白了，就是怎么用数学工具把传感器芯片的误差“算清楚”。我做了十几年芯片设计，发现很多工程师一上来就调电路，结果调了半天效果还是不行。其实，先把误差模型建好，后面的事就顺了。

2.1 为什么需要误差模型？

传感器芯片不是完美的。温度一变，输出就飘；电压一抖，读数就偏。这些误差，你没法完全靠硬件消除。怎么办？用软件补偿。

但补偿之前，你得知道误差长什么样。这就是建模的意义。

我个人习惯，拿到一颗新传感器芯片，先测一批数据。比如温度从-40°C到85°C，每个温度点记录输出值。然后画个散点图。嗯，一看，误差往往是有规律的。要么是线性，要么是曲线。这时候，线性回归和多项式拟合就派上用场了。

2.2 线性回归模型

线性回归是最简单的模型。它假设误差和某个变量（比如温度）是直线关系。

公式长这样：

y = a * x + b

其中：

• y 是误差值（比如输出偏移量）
• x 是影响因子（比如温度、电压）
• a 是斜率，代表误差随x变化的快慢
• b 是截距，代表x=0时的固有误差

我在项目中遇到过一颗压力传感器，它的零点漂移和温度几乎成完美线性关系。当时我就用线性回归，算了个a和b，然后写进固件里做补偿。效果立竿见影，精度从±5%提升到了±1%以内。

2.3 多项式拟合

但现实往往没那么理想。温度高了，误差曲线可能弯了。这时候线性模型就不够用了。

举个例子。我做过一个红外测温传感器，它的输出在高温段明显非线性。用线性模型补偿，误差反而更大。怎么办？上多项式。

多项式拟合的公式：

y = a0 + a1*x + a2*x^2 + a3*x^3 + ...

说白了，就是用高次项去“掰弯”直线，让它贴合真实曲线。

这里有个坑，我得提醒你：

选择多项式次数的小建议：

• 数据点少于10个：用1次（线性）或2次
• 数据点10~30个：用2次或3次
• 数据点超过30个：可以考虑4次，但务必做交叉验证

2.4 最小二乘法原理

好了，模型选好了，怎么算出a、b这些系数？这就是最小二乘法登场的时候了。

你想想看，我们有一堆实测数据点(x1,y1), (x2,y2), ..., (xn,yn)。模型预测的值是ŷ。我们希望预测值和真实值之间的差距尽可能小。

最小二乘法的核心思想：让所有数据点的误差平方和最小。

公式表达：

minimize: Σ (yi - ŷi)^2

为什么用平方？两个原因：

1. 平方可以消除正负误差抵消的问题（你总不希望+5和-5加起来等于0吧）
2. 平方放大了大误差的惩罚，让模型更关注那些偏离大的点

具体怎么算？对于线性回归，有解析解：

a = (n*Σxy - Σx*Σy) / (n*Σx^2 - (Σx)^2)
b = (Σy - a*Σx) / n

对于多项式拟合，原理一样，只是计算更复杂。实际工程中，我们直接用矩阵运算或者调用库函数。比如在MCU里，我常用C语言写个最小二乘函数，或者用Python的numpy库快速验证。

2.5 实战中的注意事项

最后，分享几个我在项目中积累的避坑指南：

• 数据要预处理：别直接拿原始数据拟合。先剔除明显的异常点（比如传感器短路时的读数）。我习惯用3σ原则剔除离群点。
• 归一化很重要：如果x的范围很大（比如温度从-40到125），建议先归一化到[-1,1]区间。否则高次项的值会爆炸，导致数值不稳定。
• 验证集不能省：拟合用的数据和验证用的数据要分开。我曾经犯过用全部数据拟合，结果换一批芯片就不准了的错误。
• 考虑计算资源：在低端MCU上，别用太高次的多项式。乘法和加法次数多了，实时性会受影响。我一般控制在3次以内。

嗯，误差建模基础就讲到这里。说白了，线性回归、多项式拟合、最小二乘法，这三样东西是传感器补偿的“三板斧”。用好了，大部分误差问题都能解决。下一章咱们聊聊更复杂的非线性补偿方法，到时候你会感谢今天打下的基础。