联 系 人： ww_yypp@163.com
软件自述
人们在实验和生产过程中，会得到很多二维以及二维以上的相关数据， 这些数据反过来帮助人们解决实际中的问题，需要进行数据处理，使之成为反映这些数据变化规律的数学摸型。
应用“最小二乘法”回归数据只能做线性回归，对于非线性问题，要通过对过程假设，建立相关性质数学关系式，即机理模型，对机理模型进行线性化处理，再做回归建模,计算机理模型中各元的系数。回归后的模型，有些数据相关性很好，但实际中的数据千变万化，有些推导出机理模型，线性化处理后，回归的模型相关性也不好，甚至有些相关数据，根本就推导不出机理模型，回归建立数学模型就更困难了。
“最小三乘法”解决了“最小二乘法”在回归相关数据中的问题。依据“最小三乘法”开发的数据回归建模软件“DRS”，使得一元线性、多元线性、一元非线性以至多元非线性的数据回归(三维的曲面类数据和更多维的复杂数据回归），计算更简单结果更准确。
随着计算机在实验、设计和生产等过程普及应用，以“最小三乘法”为理论基础的回归计算成为了现实；人们不但可以更好的回归线性化处理的机理模型，对于那些推导不出机理模型的相关数据，也能回归出一个很好数学模型。
软件术语
样本容量：
即实验次数，Xi、Yi分别任意一组实验X、Y的数值。
维：
即某过程中某些相互影响的相关性质。
因素：
即某过程中影响某特性的因素。
目标函数：
即某过程中目标特性。
元：
即目标函数与因素组成的数学模型等式中，因素一侧的每一含有因素的项，都称元。
例如：
两维数
（X1，X2）
在回归计算时X1 做因素时，X2即是目标函数；若X2做因素时，X1即是目标函数。
三维数
（X1，X2，X3）
在回归计算时X1、X2 做因素时，X3即是目标函数；若X2、X3 做因素时，X1即是目标函数；若X1、X3 做因素时，X2即是目标函数。
四维数
（X1，X2，X3，X4）
在回归计算时X1、X2、X3 做因素时，X4即是目标函数；若X2、X3、X4 做因素时，X1即是目标函数；若X1、X3、X4 做因素时，X2即是目标函数；若X1、X2、X4 做因素时，X3即是目标函数。
Y = a0 在式１中
X1、X2 、Y —
分别是维，其中（X1、X2是因素，Y是目标函数）
X1k1 、X2k2 、X1k3 X2k4 —
分别是元
a0、a1、a2、a3 —
分别是要回归计算的每一元的系数值
k1、k2、k3、k4 —
分别是要回归计算的每一元的幂值
