Python Scipy曲线拟合优化不适用于对数刻度值

所以我试图用一组数据点来拟合这个方程：

abs（I）=Io（exp（（qV）/（nKT））-1）---肖克利二极管方程

给了我很多数据点。知道V和I值后，我需要优化Io和n值，以获得与给定数据集紧密匹配的me数据

但是，scipy optimize curve fit并没有给我想要的值，即n=~1.15和Io=~1.8E-13，而是给我n=2.12和I=2.11E-11。我怀疑这是因为数据集的值非常小，影响了优化，但即使我将初始猜测设置为n=1.15和Io=1.8E-13，优化值也不会改变

有人对如何解决这个问题有什么建议吗

import numpy as np
import math
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit


Voltage = np.array([-0.5 , -0.49, -0.48, -0.47, -0.46, -0.45, -0.44, -0.43, -0.42,
       -0.41, -0.4 , -0.39, -0.38, -0.37, -0.36, -0.35, -0.34, -0.33,
       -0.32, -0.31, -0.3 , -0.29, -0.28, -0.27, -0.26, -0.25, -0.24,
       -0.23, -0.22, -0.21, -0.2 , -0.19, -0.18, -0.17, -0.16, -0.15,
       -0.14, -0.13, -0.12, -0.11, -0.1 , -0.09, -0.08, -0.07, -0.06,
       -0.05, -0.04, -0.03, -0.02, -0.01,  0.  ,  0.01,  0.02,  0.03,
        0.04,  0.05,  0.06,  0.07,  0.08,  0.09,  0.1 ,  0.11,  0.12,
        0.13,  0.14,  0.15,  0.16,  0.17,  0.18,  0.19,  0.2 ,  0.21,
        0.22,  0.23,  0.24,  0.25,  0.26,  0.27,  0.28,  0.29,  0.3 ,
        0.31,  0.32,  0.33,  0.34,  0.35,  0.36,  0.37,  0.38,  0.39,  0.4 ])
Current = np.array([  6.99000000e-13,   6.83000000e-13,   6.57000000e-13,
         6.46000000e-13,   6.19000000e-13,   6.07000000e-13,
         5.86000000e-13,   5.73000000e-13,   5.55000000e-13,
         5.37000000e-13,   5.27000000e-13,   5.08000000e-13,
         4.92000000e-13,   4.75000000e-13,   4.61000000e-13,
         4.43000000e-13,   4.32000000e-13,   4.18000000e-13,
         3.99000000e-13,   3.91000000e-13,   3.79000000e-13,
         3.66000000e-13,   3.54000000e-13,   3.43000000e-13,
         3.34000000e-13,   3.18000000e-13,   3.06000000e-13,
         2.96000000e-13,   2.86000000e-13,   2.77000000e-13,
         2.66000000e-13,   2.59000000e-13,   2.54000000e-13,
         2.43000000e-13,   2.33000000e-13,   2.22000000e-13,
         2.16000000e-13,   2.07000000e-13,   2.00000000e-13,
         1.94000000e-13,   1.85000000e-13,   1.77000000e-13,
         1.68000000e-13,   1.58000000e-13,   1.48000000e-13,
         1.35000000e-13,   1.21000000e-13,   1.03000000e-13,
         7.53000000e-14,   4.32000000e-14,   2.33000000e-15,
         6.46000000e-14,   1.57000000e-13,   2.82000000e-13,
         4.58000000e-13,   7.07000000e-13,   1.06000000e-12,
         1.57000000e-12,   2.28000000e-12,   3.29000000e-12,
         4.75000000e-12,   6.80000000e-12,   9.76000000e-12,
         1.39000000e-11,   1.82000000e-11,   2.57000000e-11,
         3.67000000e-11,   5.21000000e-11,   7.39000000e-11,
         1.04000000e-10,   1.62000000e-10,   2.27000000e-10,
         3.21000000e-10,   4.48000000e-10,   6.21000000e-10,
         8.70000000e-10,   1.20000000e-09,   1.66000000e-09,
         2.27000000e-09,   3.08000000e-09,   4.13000000e-09,
         5.46000000e-09,   7.05000000e-09,   8.85000000e-09,
         1.11000000e-08,   1.39000000e-08,   1.74000000e-08,
         2.05000000e-08,   2.28000000e-08,   2.52000000e-08,
         2.91000000e-08])

def diode_function(V, n, Io):
    kt = 300 * 1.38 * math.pow(10, -23)
    q = 1.60 * math.pow(10, -19)
    I_final = Io * (np.exp( (q * V) / (n * kt) ) - 1)
    return abs(I_final)


p0 = [1.15, 1.8e-13]
popt, pcov = curve_fit(diode_function, Voltage, Current, p0 = p0)

print(popt)

fig = plt.figure()
ax = fig.add_subplot(121)
ax.set_title('I_d vs V_d')
ax.set_xlabel('V_d')
ax.set_ylabel('I_d')
ax.set_yscale('log')
plt.plot(Voltage, Current, 'ko', label="Original Data")
plt.plot(Voltage, diode_function(Voltage, *popt), 'r-', label="Fitted Curve")
plt.legend(loc='best')



ax = fig.add_subplot(122)
ax.set_title('I_d vs V_d')
ax.set_xlabel('V_d')
ax.set_ylabel('I_d')
ax.set_yscale('log')
popt = [1.15,1.8e-13]
plt.plot(Voltage, Current, 'ko', label="Original Data")
plt.plot(Voltage, diode_function(Voltage, *popt), 'r-', label="Fitted Curve")
plt.legend(loc='best')
plt.show()

图表的图片：

---

左边的图是scipy优化图，右边的图是我想要的

我想你是在正确的轨道上，使用对数来缩放数据，这样差异就会小得多。为了防止对数出现问题，一个常见的选择是添加一个常量。不使用

log（x）

，而是使用

log（x+常量）

。该常数必须为1或更高

不过，使用不同的常数仍然会得到不同的结果，这也是因为在最小二乘法中，较大的值的权重较高

# imports and data as in question

def diode_function(V, n, Io):
    kt = 300 * 1.38e-23
    q = 1.60e-19
    I_final = Io * (np.exp( (q * V) / (n * kt) ) - 1)
    return np.abs(I_final)

p0 = [1.15, 1.8e-13]
popt, pcov = curve_fit(diode_function, Voltage, Current, p0 = p0)

fig, ax = plt.subplots()
ax.set_title('I_d vs V_d')
ax.set_xlabel('V_d')
ax.set_ylabel('I_d')
ax.set_yscale('log')
ax.plot(Voltage, Current, 'ko', label="Original Data")

offsets = [1,15]
colors = ["limegreen", "crimson"]
for offset, color in zip(offsets,colors):
    logdf = lambda V,n,Io: np.log10(diode_function(V, n, Io)+offset)
    poptn, pcovn = curve_fit(logdf, Voltage, np.log10(Current+offset), p0 = p0)
    ax.plot(Voltage, 10**(logdf(Voltage, *poptn))-offset, 
             color=color, label="fit (offset: {})".format(offset))

ax.legend(loc='best')
plt.show()

---

因此，当我剪切数据集的最后15个值时，它会给我一个更好的拟合。不确定函数为什么认为最后一对值比初始值更重要，因为通常使用最小二乘法拟合，较大的值权重更大。这里的最后一个值是较高的值。为了补偿这一点，您可以在拟合中引入权重。然而，我不认为这是一个关于编程的问题，可能在这里是离题的。我的问题是，如何使曲线拟合更能衡量较低的值。我尝试使用

np.log10（current）

将当前数据转换为对数，并使函数

返回np.log10（abs（I_final））

，但问题是使用logsQuick时电压中的零值注：科学符号，如“kt=300*1.38e-23”和“q=1.60e-19”比使用pow（）函数快