Python 使用lmfit创建更精细的复合模型

我想用lmfit从简单的模型创建更精细/复杂的模型

我有两个函数，比如高斯函数（范数到峰值单位）和洛伦兹函数（范数到峰值单位），我想拟合它们的线性组合。仍然在增加团结。所以我可以写一个新函数，比如

def voigt(*all the parameters*, alpha)
   return alpha*gaussian(...) + (1-alpha)*lorentzian(...)

但这不是很适应。 因此，我现在改为：

mod = ConstantModel(prefix = 'a1_') + Model(gauss) + ConstantModel(prefix='a2_') * Model(lorentz)
pars = Parameters()
pars.add('a1_c', value = 1, min = 0, max = 1)
pars.add('a2_c', expr = '1-a1_c')

---

还是觉得有点笨拙。还有更优雅的方式吗？

我认为这主要取决于你所追求的复杂性和适应性。如果我理解这个问题（可能是一个示例或您实际目标的简化），那么您希望约束两个峰值函数，使其最大高度总和为一个固定值（例如，1）。也许，为什么不定义可以按需要缩放的基函数呢

 import numpy as np
 def gauss(x, amp, cen, wid):
      return amp * np.exp(-(x-cen)**2/wid)  # deliberately Gaussian-like

 def loren(x, amp, cen, wid): 
      return amp * wid / ( (x-cen)**2 + wid) # deliberately Lorentzian-like

然后对这些参数求和，并将两个

amp

参数的和限制为1：

from lmfit import Model
mod = Model(gauss, prefix='g_') + Model(loren, prefix='l_')

pars = mod.make_params(g_cen=1, g_wid=1, l_cen=1, l_wid=1)
pars.add('g_amp', value=0.5, min=0, max=1)
pars.add('l_amp', expr='1 - g_amp', min=0, max=1)