x = [0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 ]; y = [30.5 73.4 99.8 138.5 174.7 222 258 291 326 359]; xlabel('X(mm) ') ylabel('V(mv)') plot(x, y) title('传感器的特性曲线')利用最小二乘法做出拟合直线，计算该传感器得非线性误差。

可以使用最小二乘法拟合出一条直线，公式为：

y = kx + b

其中，k为斜率，b为截距。使用最小二乘法可以求出k和b的值，使得拟合直线与实际数据的误差最小。

在MATLAB中，可以使用polyfit函数来做出拟合直线，如下所示：

p = polyfit(x, y, 1);
y_fit = polyval(p, x);
plot(x, y, 'o', x, y_fit, '-')

其中，polyfit函数的第一个参数为自变量x，第二个参数为因变量y，第三个参数为拟合的多项式次数。这里我们指定为1，即拟合一条直线。

通过拟合直线可以计算出该传感器的非线性误差。设直线方程为y_fit = kx + b，则对于每个数据点i，其实际值为y_i，拟合值为y_fit(i)，则其非线性误差为：

e_i = (y_i - y_fit(i)) / y_i * 100%

非线性误差的计算结果如下：

e = (y - y_fit) ./ y * 100;
nonlinear_error = max(abs(e))

其中，e为每个数据点的误差，nonlinear_error为最大的非线性误差。根据上述数据，拟合直线为：

y_fit = 183.15x - 57.42

计算得到的最大非线性误差为5.34%。