用python和lmfit对实测irf进行迭代再卷积拟合

我尝试使用

python

和

lmfit

将指数衰减函数与卷积拟合到测量仪器响应

我是python新手，我正在努力学习python中的代码

定义拟合的初始参数时，我会得到错误

ValueError:包含多个元素的数组的真值不明确。使用a.any（）或a.all（）

根据

lmfit.model

的文档，我怀疑这是因为参数

irf

在模型中被定义为

args=（irf）

。我尝试将

irf

传递到

model

而不是

params

。我也尝试过使用

**kwargs

---

<> P> <强> >将<代码> IRF <代码>合并为<代码>模型>代码>卷积并拟合数据？< /强>

< p>我相信你想考虑<代码> IRF < /C>作为模型函数的一个附加自变量-一个值，你传递给函数，但在拟合中不被当作变量。< /P> 为此，只需修改模型函数的签名

jumpexpmodel（）

，使其更简单

def jumpexpmodel(x, tau1, ampl1, tau2, ampl2, y0, x0, irf):

函数体很好（实际上，

args=（irf）

不起作用，因为您需要解包

args

——这里的签名确实是您想要的）

然后告诉

lmfit.Model（）

irf是一个自变量-默认情况下第一个参数是唯一的自变量：

mod = Model(jumpexpmodel, independent_vars=('x', 'irf'))

然后，在制作参数时，不要包括

irf

或

args

：

pars = mod.make_params(tau1=10, ampl1=1000, tau2=10, ampl2=1000, y0=0, x0=10)

而是现在将

irf

与

x

一起传递到

mod.fit（）

：

程序的其余部分看起来很好，由此产生的拟合效果会相当好，并给出一份

[[Model]]
    Model(jumpexpmodel)
[[Fit Statistics]]
    # fitting method   = leastsq
    # function evals   = 138
    # data points      = 2797
    # variables        = 6
    chi-square         = 3795.52585
    reduced chi-square = 1.35991610
    Akaike info crit   = 865.855713
    Bayesian info crit = 901.473529
[[Variables]]
    tau1:   50.4330421 +/- 0.68246203 (1.35%) (init = 10)
    ampl1:  2630.30664 +/- 20.1552948 (0.77%) (init = 1000)
    tau2:   225.392872 +/- 2.75674753 (1.22%) (init = 10)
    ampl2:  523.257894 +/- 12.4451921 (2.38%) (init = 1000)
    y0:     20.7975212 +/- 0.14165429 (0.68%) (init = 0)
    x0:    -9.70588133 +/- 0.12597936 (1.30%) (init = 10)
[[Correlations]] (unreported correlations are < 0.100)
    C(tau2, ampl2) = -0.947
    C(tau1, ampl2) = -0.805
    C(tau1, tau2)  =  0.706
    C(tau1, x0)    = -0.562
    C(ampl1, x0)   =  0.514
    C(tau1, ampl1) = -0.453
    C(tau2, y0)    = -0.426
    C(ampl2, y0)   =  0.314
    C(ampl2, x0)   =  0.291
    C(tau2, x0)    = -0.260
    C(tau1, y0)    = -0.212
    C(ampl1, tau2) =  0.119

[[Model]]
模型（jumpexpmodel）
[[Fit统计数据]]
#拟合方法=最小二乘法
#函数evals=138
#数据点=2797
#变量=6
卡方检验=3795.52585
缩减卡方=1.35991610
Akaike信息临界值=865.855713
贝叶斯信息标准=901.473529
[[变量]]
tau1:50.4330421+/-0.68246203（1.35%）（初始值=10）
ampl1:2630.30664+/-20.1552948（0.77%）（初始值=1000）
tau2:225.392872+/-2.75674753（1.22%）（初始值=10）
ampl2:523.257894+/-12.4451921（2.38%）（初始值=1000）
y0:20.7975212+/-0.14165429（0.68%）（初始值=0）
x0：-9.70588133+/-0.12597936（1.30%）（初始值=10）
[[相关性]]（未报告的相关性<0.100）
C（tau2，ampl2）=-0.947
C（tau1，ampl2）=-0.805
C（tau1，tau2）=0.706
C（tau1，x0）=-0.562
C（ampl1，x0）=0.514
C（tau1，ampl1）=-0.453
C（tau2，y0）=-0.426
C（ampl2，y0）=0.314
C（ampl2，x0）=0.291
C（tau2，x0）=-0.260
C（tau1，y0）=-0.212
C（ampl1，tau2）=0.119

像这样的情节：

mod = Model(jumpexpmodel, independent_vars=('x', 'irf'))

pars = mod.make_params(tau1=10, ampl1=1000, tau2=10, ampl2=1000, y0=0, x0=10)

result = mod.fit(decay1, params=pars, weights=wWeights, method='leastsq', x=x, irf=irf)

[[Model]]
    Model(jumpexpmodel)
[[Fit Statistics]]
    # fitting method   = leastsq
    # function evals   = 138
    # data points      = 2797
    # variables        = 6
    chi-square         = 3795.52585
    reduced chi-square = 1.35991610
    Akaike info crit   = 865.855713
    Bayesian info crit = 901.473529
[[Variables]]
    tau1:   50.4330421 +/- 0.68246203 (1.35%) (init = 10)
    ampl1:  2630.30664 +/- 20.1552948 (0.77%) (init = 1000)
    tau2:   225.392872 +/- 2.75674753 (1.22%) (init = 10)
    ampl2:  523.257894 +/- 12.4451921 (2.38%) (init = 1000)
    y0:     20.7975212 +/- 0.14165429 (0.68%) (init = 0)
    x0:    -9.70588133 +/- 0.12597936 (1.30%) (init = 10)
[[Correlations]] (unreported correlations are < 0.100)
    C(tau2, ampl2) = -0.947
    C(tau1, ampl2) = -0.805
    C(tau1, tau2)  =  0.706
    C(tau1, x0)    = -0.562
    C(ampl1, x0)   =  0.514
    C(tau1, ampl1) = -0.453
    C(tau2, y0)    = -0.426
    C(ampl2, y0)   =  0.314
    C(ampl2, x0)   =  0.291
    C(tau2, x0)    = -0.260
    C(tau1, y0)    = -0.212
    C(ampl1, tau2) =  0.119