这里只列出了函数名称和主要功能，详细的还需阅读帮助文件。

• 线性拟合LINFIT ， by minimizing the chi-square error statistic

公式:Y=A+ B*X

Result = LINFIT( X, Y [, CHISQR=variable] [, COVAR=variable] [, /DOUBLE] [, MEASURE_ERRORS=vector] [, PROB=variable] [, SIGMA=variable] [, YFIT=variable] )

• 线性拟合LADFIT， using a "robust" least absolute deviation method

Result = LADFIT( X, Y [, ABSDEV=variable] [, /DOUBLE] )

  效果:LadFit的结果优于LinFit，但是使用LadFit首先需要对X进行升序排列

• 多元线性回归计算方法REGRESS

多元线性拟合公式:Y = A + B*X1+ C*X2 ......

Result = REGRESS( X, Y, [, CHISQ=variable] [, CONST=variable] [, CORRELATION=variable] [, /DOUBLE] [, FTEST=variable] [, MCORRELATION=variable] [, MEASURE_ERRORS=vector] [, SIGMA=variable] [, STATUS=variable] [, YFIT=variable] )

• 一元多次模型:Poly_Fit

公式:Y = A + B*X + C*X^2 + D*X^3 +.....

Result = POLY_FIT( X, Y, Degree [, CHISQ=variable] [, COVAR=variable] [, /DOUBLE] [, MEASURE_ERRORS=vector] [, SIGMA=variable] [, STATUS=variable] [, YBAND=variable] [, YERROR=variable] [, YFIT=variable] )

• BILINEAR

语法是：Result = BILINEAR(P, IX, JY [, MISSING=value] )

p：是原来没有插值的那个数组，一般应该是两维的，如果是网格的话就相当于x,y两维。

ix和jy都是相对坐标，是我们要插值的这个点相对于原坐标系的一个相对ix，iy。如果我们只差值一个点，则计算相对的坐标带入语法中就可以了。

• COMFIT求解各函数拟合参数

对以下六类函数进行拟合：

，，，，，

LMFIT

• 薄板样条法
  

Result = GRID_TPS (Xp, Yp, Values [, COEFFICIENTS=variable] [, NGRID=[nx, ny]] [, START=[x0, y0]] [, DELTA=[dx, dy]] )

• 改进谢别德法MSQ: grid3
  

Result = GRID3( X, Y, Z, F, Gx, Gy, Gz [, DELTA=scalar/vector] [, DTOL=value] [, GRID=value] [, NGRID=value] [, START=[x, y, z]] )

• 克里格法Kriging： krig2d

• 最小曲率法： min_curve_surf

• 三角网/线性插值法： trigrid

• 高斯拟合函数GAUSSFIT、GAUSS_PDF、GAUSS_CFV、COMFIT、IMSL_INTFCN 、GAUSSINT

Result = GAUSSFIT( X, Y [, A] [, CHISQ=variable] [, ESTIMATES=array] [, MEASURE_ERRORS=vector] [, NTERMS=integer{3 to 6}] [, SIGMA=variable] [, YERROR=variable])

Result = GAUSS_PDF(V)

IMSL_INTFCN求解各种函数积分

• correlate         计算线性Pearson 相关