在嵌入式的测量中可能存在某些无法被直接测量的变量，但可能可以通过几个不同的数据指标运算处理得到，这里介绍最小而成发，最小二乘法适用于描述Y = AX + B的数据，即寻找到最合适的一条通过X描述Y的直线，X向量维度过多将会受到单片机的性能的制约，这里介绍最简单的单维度X生成Y。
最小二乘法的原理是，我们可以构造y = ax + b，对于预测的误差通过 Q = Σ(axi + b - yi) ^ 2描述
寻找最优描述方法则通过 detail Q / detail a = 0 与 detail Q / detail b = 0 得到
解得 a = (nΣxy - ΣxΣy) / (nΣx^2 - (Σx)^2); 再通过 b = Y - aX; 解得b，其中X, Y为x, y均值
对于多维度同理求解Q = Σ(axi1 + bxi2 + cxi3 - yi) ^ 2，实际上， 对于多维度的可以通过构造 AX = Y 矩阵
通过过 A = Y * (XX*) ^ -1 得到
最小二乘解中，求和部分实际可以通过累计和避免重复计算并且逐次迭代，而且可以通过使用循环队列构成的滑动窗口的形式实现
此外描述直线的实际上还有主成分分析(PAC)的方法，该方法对于误差的描述采用了点到直线的距离，
即 Q = Σ (ax + by + c) / (a ^ 2 + b ^ 2)，
实际上主成分分析方法描述了点的分布情况，而最小二乘法描述了，因变量与自变量的相互关系