上述提到的最小二乘法配合非线性优化算法，举一个用高光谱数据的例子

高光谱数据通常是非线性的，因此在拟合高光谱数据时，最小二乘法需要配合非线性优化算法使用。以下是一个使用最小二乘法和Levenberg-Marquardt算法拟合高光谱数据的示例：

import numpy as np
from scipy.optimize import leastsq

# 构造数据
x = np.array([400, 410, 420, 430, 440, 450, 460, 470, 480, 490, 500])
y = np.array([0.1, 0.2, 0.3, 0.5, 0.8, 1.2, 1.6, 2.0, 2.5, 3.0, 3.5])

# 高斯函数拟合
def func(p, x):
    a, b, c, d, e = p
    return a * np.exp(-(x - b)**2 / (2 * c**2)) + d * x + e

# 残差函数
def residuals(p, x, y):
    return y - func(p, x)

# 初始参数值
p0 = [1, 450, 10, 1, 1]

# 最小二乘法拟合
plsq = leastsq(residuals, p0, args=(x, y), ftol=1e-6, xtol=1e-6, gtol=1e-6, maxfev=10000, Dfun=None, full_output=True)

# 输出拟合结果
print('拟合参数：', plsq[0])

# 绘制拟合曲线
import matplotlib.pyplot as plt
plt.plot(x, y, 'o', label='原始数据')
plt.plot(x, func(plsq[0], x), label='拟合曲线')
plt.legend()
plt.show()

在上面的示例中，我们构造了一组高光谱数据，使用高斯函数拟合，并配合Levenberg-Marquardt算法进行非线性优化。其中，`leastsq`函数的第一个参数是残差函数，第二个参数是初始参数值，第三个参数是数据，`ftol`、`xtol`和`gtol`是控制算法收敛的精度参数，`maxfev`是控制迭代次数的参数，`Dfun`是残差函数的梯度，`full_output`参数为True时，返回拟合结果的详细信息。

最终，我们得到了拟合参数，并绘制了拟合曲线。需要注意的是，拟合参数的选择会影响拟合效果，因此需要根据实际情况进行调整。此外，还可以通过交叉验证等方法来评估拟合效果。