标定的数学基础：线性回归、最小二乘法、误差理论与不确定度分析

做传感器标定，说白了就是给传感器「立规矩」。你得告诉它：输入这个物理量，你应该输出那个电信号。但现实世界哪有那么完美？噪声、温漂、非线性，一堆麻烦事。这时候，数学就是我们的武器。

我个人习惯，把标定的数学基础拆成三块：线性回归（找关系）、最小二乘法（算参数）、误差与不确定度（评好坏）。这三块搞明白了，标定就算入了门。

1. 线性回归：传感器输入与输出的「关系模型」

你想想看，一个理想的压力传感器，输入压力 P，输出电压 V。如果它是线性的，那 V = aP + b。a 是灵敏度，b 是零偏。就这么简单。

但实际数据呢？我测了10个点，画出来不是一条完美的直线。为什么？因为传感器本身有非线性，测量过程也有随机误差。线性回归要做的，就是找到一条「最能代表这些点趋势」的直线。

这里有个关键点：线性回归假设误差只存在于输出端。也就是说，我们认为输入压力是准的，输出测量值有误差。这在标定中基本成立——因为标准器（比如高精度压力计）的精度通常比被标传感器高一个数量级。

我在项目中遇到过一种情况：某温度传感器标定数据明显弯曲，硬用线性回归去拟合，结果误差很大。后来发现是传感器本身有非线性，得用多项式回归。所以，先画散点图，再选模型，这是铁律。

2. 最小二乘法：如何找到「最佳」拟合线

好，模型选好了，怎么算参数？最小二乘法就是干这个的。

它的思想很朴素：让所有数据点到拟合直线的「垂直距离的平方和」最小。为什么用平方？因为距离有正有负，直接加会抵消。平方之后，所有误差都变成正的，累加起来，越小说明拟合越好。

数学上，我们要最小化这个目标函数：

S = Σ(yᵢ - (β₀ + β₁xᵢ))²

对 β₀ 和 β₁ 分别求偏导，令其为零，解方程组，就得到了最小二乘估计：

β₁ = Σ(xᵢ - x̄)(yᵢ - ȳ) / Σ(xᵢ - x̄)²
β₀ = ȳ - β₁x̄

嗯，这里要注意：最小二乘法对异常值非常敏感。我曾经标定一个加速度计，数据里混进了一个明显偏离的点（可能是接线松动导致的）。用最小二乘法一算，斜率偏了5%。后来我养成了习惯：算之前先看残差图，发现异常点先剔除。

import numpy as np
coefficients = np.polyfit(x, y, 1)  # 1 表示一次线性
slope, intercept = coefficients

3. 误差理论与不确定度分析：标定结果「靠谱吗」？

参数算出来了，但问题来了：这个参数有多准？这就是误差和不确定度要回答的。

先区分两个概念：

• 误差：测量值与真值之差。真值永远不知道，所以误差也永远不知道。它是个「理想概念」。
• 不确定度：对测量结果可信程度的量化。它是个「可操作的指标」。

说白了，误差是「你错多少」，不确定度是「你有多大的把握说这个结果是对的」。

在标定中，不确定度主要来自三个方面：

1. 标准器的不确定度：你用来标定的参考源本身就有误差。比如一个0.01级的压力标准器，它自己的不确定度是0.01%。
2. 测量重复性：同一个输入下，传感器输出会波动。我一般会重复测量10次，算标准差。
3. 拟合残差：数据点偏离拟合线的程度。这个用残差标准差来量化。

4. 知识体系框架

下面这张图，是我自己总结的标定数学基础框架。你看一眼，心里就有谱了：

5. 实战中的几个关键点

理论说完了，聊点实际的。标定中数学这块，有几个坑我踩过，你注意一下：

• 数据量别太少：最少6个点，10个以上更好。点太少，拟合参数的标准差会很大，不确定度也大。
• 输入范围要覆盖全量程：别只标中间一段。我见过有人只标了0-50%量程，结果用到80%时误差大得离谱。
• 残差要随机分布：如果残差有明显的趋势（比如先正后负），说明模型选错了，该用多项式。
• 不确定度要留余量：一般取包含因子 k=2（95%置信水平），别取 k=1，太冒险。

好了，数学基础就这些。你把这些搞明白，标定就算入了门。剩下的，就是多动手、多踩坑、多总结。做工程嘛，经验比理论有时候更值钱。

可可精品资料库