X= lscov(A,B,w)，在哪里W.is a vector length m of real positive weights, returns the weighted least squares solution to the linear system一种*x = B， 那是，Xminimizes(B - A*x)'*diag(w)*(B - A*x)。W.typically contains either counts or inverse variances.

X= lscov(A,B,V)，在哪里V.是一个m-by-m真正的对称正定矩阵，将广义最小二乘解返回线性系统一种*x = BW.ith covariance matrix proportional toV.， 那是，Xminimizes（b - a * x）'* inv（v）*（b - a * x）。

More generally,V.can be positive semidefinite, andLSCOV.回报Xthat minimizesE.'*e，约束一种*x + T*e = B，在哪里the minimization is overXandE.那andt * t'= v。什么时候V.是Semidefinite，这个问题只有一个解决方案B.和......一致一种andV.（那是，B.处于列空间[在]）， 除此以外LSCOV.返回错误。

默认，LSCOV.计算Cholesky分解V.并且，实际上，反转该因素将问题转变为普通的最小二乘。但是，如果LSCOV.确定V.is semidefinite, it uses an orthogonal decomposition algorithm that avoids invertingV.。

X= lscov(A,B,V,alg)specifies the algorithm used to computeX什么时候V.是一个矩阵。alg可以具有以下值：

[x，stdx] = lscov（...）返回估计的标准错误X。什么时候一种排名缺乏，STDX.contains zeros in the elements corresponding to the necessarily zero elements ofX。

[x，stdx，mse] = lscov（...）返回平均方形错误。如果B.假设具有协方差矩阵σ²V.（或（σ²)×诊断接头（1. /W.））， 然后mseis an estimate of σ²。

[x，stdx，mse，s] = lscov（...）返回估计的协方差矩阵X。什么时候一种排名缺乏，S.contains zeros in the rows and columns corresponding to the necessarily zero elements ofX。LSCOV.cannot returnS.if it is called with multiple right-hand sides, that is, ifsize(B,2) > 1。

这些数量的标准公式，何时一种andV.是全级别，是

However,LSCOV.使用更快更稳定的方法，并且适用于等级缺乏案例。

LSCOV.假设协方差矩阵B.只知道达到比例因素。mseis an estimate of that unknown scale factor, andLSCOV.scales the outputsS.andSTDX.appropriately. However, ifV.is known to be exactly the covariance matrix ofB.，然后不需要缩放。要在这种情况下获得适当的估计，您应该重新归类S.andSTDX.通过1 / MSE.andSQRT（1 / MSE）， 分别。