使用给定数据点在Python中拟合指数衰减函数
使用SciPy中的使用给定数据点在Python中拟合指数衰减函数,python,numpy,scipy,curve-fitting,Python,Numpy,Scipy,Curve Fitting,使用SciPy中的curve\u fit函数,我能够确定代表下图所示曲线的系数 def func2(t, tau): return np.exp(-t / tau) t2 = np.linspace(0, 4, 50) y2 = func2(t2, 1.2) y2_noise = 0.2 * np.random.normal(size=t2.size) y2_curve_noise = y2 + y2_noise popt2, pcov2 = curve_fit(func2, t2
curve\u fit
函数,我能够确定代表下图所示曲线的系数
def func2(t, tau):
return np.exp(-t / tau)
t2 = np.linspace(0, 4, 50)
y2 = func2(t2, 1.2)
y2_noise = 0.2 * np.random.normal(size=t2.size)
y2_curve_noise = y2 + y2_noise
popt2, pcov2 = curve_fit(func2, t2, y2_curve_noise)
tau2, = popt2
y2_fit = func2(t2, tau2)
我想用一个类似的函数来表示一些数据点。但是,我无法使用这种方法来拟合如下所示的数据点
def func4(t, a, tau, c):
return a * np.exp(-t / tau) + c
t4 = np.array([15445.1, 15445.6, 15446.1, 15446.6, 15447.1, 15447.6, 15448.1,
15448.6, 15449.1, 15449.6, 15450.1, 15450.6, 15451.1, 15451.6,
15452.1, 15452.6, 15453.1, 15453.6, 15454.1, 15454.6, 15455.1,
15455.6, 15456.1, 15456.6, 15457.1, 15457.6, 15458.1, 15458.6,
15459.1, 15459.6, 15460.1, 15460.6, 15461.1, 15461.6, 15462.1,
15462.6, 15463.1, 15463.6, 15464.1, 15464.6, 15465.1, 15465.6,
15466.1, 15466.6, 15467.1, 15467.6, 15468.1, 15468.6, 15469.1,
15469.6, 15470.1, 15470.6, 15471.1, 15471.6, 15472.1, 15472.6,
15473.1, 15473.6, 15474.1])
y4 = np.array([4.129, 4.125, 4.123, 4.121, 4.119, 4.118, 4.116, 4.115, 4.114,
4.113, 4.112, 4.11, 4.11, 4.109, 4.108, 4.108, 4.106, 4.105,
4.105, 4.104, 4.103, 4.102, 4.102, 4.101, 4.1, 4.1, 4.099,
4.098, 4.098, 4.097, 4.097, 4.096, 4.095, 4.095, 4.094, 4.094,
4.093, 4.092, 4.092, 4.091, 4.091, 4.09, 4.09, 4.089, 4.089,
4.088, 4.088, 4.087, 4.087, 4.086, 4.086, 4.085, 4.085, 4.084,
4.084, 4.084, 4.083, 4.083, 4.082])
popt4, pcov4 = curve_fit(func4, t4, y4, p0=(4.129, 1.2, 4.082))
a4, tau4, c4 = popt4
y4_fit = func4(t4, a4, tau4, c4)
如何在SciPy中应用
曲线拟合
,以拟合数据点?或者我应该使用不同的曲线拟合方法?我也不确定初始猜测使用什么值p0
。我只是根据数据选择了一些数字,但显然这对拟合没有帮助。问题是,exp(-15000)
必须通过荒谬的大值a
来平衡,问题变得非常严重,因此优化例程失败
规范化t
,使其从0变为1有助于解决缩放问题。合理的初始猜测可以是:tau为1,c为最小的y值,a为最大和最小的y值之差
t4_norm = (t4 - t4[0])/(t4[-1] - t4[0]) # normalized
c_0 = y4[-1]
tau_0 = 1
a_0 = (y4[0] - y4[-1])
popt4, pcov4 = curve_fit(func4, t4_norm, y4, p0=(a_0, tau_0, c_0))
a4, tau4, c4 = popt4
y4_fit = func4(t4_norm, a4, tau4, c4)
plt.plot(t4, y4, 'r.')
plt.plot(t4, y4_fit, 'b')
plt.show()
找到参数后,可以根据原始t重新计算参数。事实上,迄今为止获得的曲线是
y = a*exp(- (t4 - t4[0])/(t4[-1] - t4[0]) / tau) + c
可以重写为
y = a*exp(t4[0]/(t4[-1] - t4[0]) / tau) * exp(-t4/(t4[-1] - t4[0]) / tau) + c
这意味着原始变量的参数是
a_orig = a*exp(t4[0]/(t4[-1] - t4[0]) / tau)
tau_orig = (t4[-1] - t4[0]) * tau
c_orig = c
为了平衡取一个非常大数字的指数这一事实,我在等式中添加了一个
t0
项:
def func4(t, a, t0, tau, c):
return a * np.exp(-(t-t0)/ tau) + c
# Initial guess
p0 = np.array([4.0, 15400., 6.e2, 0.], dtype=np.float64)
y4_initial = func4(t4, *p0)
# Fit
popt4, pcov4 = curve_fit(func4, t4, y4, p0=p0)
y4_fit = func4(t4, *popt4)
我要走了
popt4 = [1.20102494e+00 1.53854910e+04 1.91852716e+01 4.07136089e+00]
问题在于,您将指数曲线拟合到具有高x值的数据,因此拟合不稳定,难以收敛。你能转换你的数据(例如拟合日志)吗?看看这些参数值是否正常:a=3.387836065347397E+164,c=4.041631845530607E+00,tau=4.0499652143081036E+01给我R平方:0.9858和RMSE=0.0015你是如何确定用于
p0
的初始值的,基于你试图适应的数据。您还可以使用p0
绘制曲线,并在将其传递到拟合之前手动对其进行微调。当然,对于更复杂的系统,不建议这样做,因为您应该根据数据自动确定启动参数。通过这种方法,可以将曲线拟合应用于具有np.exp(-t/tau)
作为拟合函数的数据吗?我在第一个例子中使用了这种形式的方程。(1)横轴的标准化与+c
项无关,后者与纵轴有关;(2) 这对您的数据来说是不自然的。看,它在右边缘并没有真正变平,这意味着曲线有下降的空间,我们不知道有多远。另外,为什么不使用a_0=y4[0]
而不是a_0=(y4[0]-y4[-1])
?因为如果区间[0,1]上的f(t)=a*exp(-t)+c
,那么a可以表示为E*(f(1)-f(0))
。所以这个猜测有正确的数量级。a
的大小与y值的变化程度有关,而不是它们的大小。这进一步证实了您试图拟合的原始形式的方程对数据不起作用。你仍然可以手工计算这些系数,它们不适合双精度。