le[,] matrixC = new double[3,1];Р?// 计算矩阵A的逆转Р?// 计算矩阵A和矩阵B的乘积Р?for(int i = 0; i < 3; i++)Р?{Р for(int j = 0; j < 1; j++)Р {Р // 初始化矩阵CР matrixC[i,j] = 0;Р // 计算矩阵A和矩阵B的乘积,并把值存放在矩阵C中Р for(int k = 0; k < 3; k++)Р {Р matrixC[i,j] += matrixA[i,k] * matrixB[k,j];Р }Р }Р?}Р?this.labela1Result.Text = matrixC[0,0].ToString("#.00E+0;#.00E-0;0.00");Р?this.labela2Result.Text = matrixC[1,0].ToString("#.00E+0;#.00E-0;0.00");Р?this.labela3Result.Text = matrixC[2,0].ToString("#.00E+0;#.00E-0;0.00");Р}Р四、结果讨论与分析Р最小二乘法如果想将曲线拟合的比较完美,必须应用适当的模拟曲线,如果模拟曲线选择不够适当,那么用最小二乘法计算完后,会发现拟合曲线误差比较大,均方误差也比较大,而如果拟合曲线选择适当,那么效果较好。因此,需要对已知点根据分布规律选取多个可能的近似拟合曲线,算出后比较误差与均方误差,得到最佳拟合曲线。Р但是如果已知点分布非常不规律,无法观察或是无法正确观察出其近似曲线,那么根本无法使用最小二乘法进行曲线拟合,我们只能使用其它方法进行逼近,如最佳一致逼近多项式。Р 如果本题我们错误的使用对本题进行模拟,那样误差与均方误差都非常大,肯定无法得到好的效果,相比较而言,本题所选取的可以达到预期效果。