我有一个数据集，其中包括约1800个融合雷达触点的距离和方位以及与这些触点的实际距离和方位，我需要开发一个校正方程以使感知值与实际值尽可能接近值。
可视化时错误似乎有趋势，所以在我看来应该有一个简单的方程来校正它。
这是〜1800等式的形式：
actual_distance =感知距离+ X（perceved_bearing）+ Y（speed_over_ground）+ Z（course_over_ground）+ A（heading）
求解X，Y，Z和A的最佳方法是什么？
此外，我不认为所有这些因素都是必要的，因此我完全愿意省略其中一个或两个因素。
从我了解的线性小代数中，我尝试过这种运气不好的事情：
Ax = b-> x = b / A通过numpy.linalg.solve（A，b）
其中A是4 x〜1800矩阵，b是1 x〜1800矩阵
这是在正确的轨道上吗？
要清楚一点，我期望为一个方程生成coefficeints，该方程将校正到接触的感知距离，从而使其尽可能接近实际的接触距离。
如果有更好的方法，我也完全愿意放弃此方法。
谢谢您的帮助。
答案 0 :(得分：1)
解决此类方程组的最佳方法是使用：不完整的Cholesky共轭梯度技术（ICCG）。可以在Matlab，C ++的数值配方，Nag Fortran或许多其他语言中实现。它非常有效。基本上，您正在反转一个大型的带状矩阵。 Golub的书对此进行了详细介绍。
这样看起来很有用：
https://docs.scipy.org/doc/numpy-1.14.1/reference/generated/numpy.linalg.cholesky.html
答案 1 :(得分：1)
当方程式多于未知数时，您可能没有确切的解。在这种情况下，您可以使用矩阵A的Moore-Penrose伪逆。乘以b将获得最小平方距离的解。在numpy中，您可以使用https://docs.scipy.org/doc/numpy/reference/generated/numpy.linalg.lstsq.html#numpy.linalg.lstsq