我正在使用lmfit minimize来拟合三维点数据集上的三维线。在
from lmfit import minimize, Parameters, report_fit,fit_report, printfuncs
import numpy as np
#Parameters of parametric equations:
#x = p[0] + p[1]*t;
#y = p[2] + p[3]*t;
#z = t;
params = Parameters()
params.add('x0', value= 1)
params.add('x1', value= 1)
params.add('y0', value= 1)
params.add('y1', value= 1)
#Function to be minimized - sum of distances between the line and each point
def fun(params,x,y,z):
x0 = params['x0'].value; x1 = params['x1'].value
y0 = params['y0'].value; y1 = params['y1'].value
d = 0
v0 = np.array([x0, y0, 0.0])
v1 = np.array([x0+x1, y0+y1, 1.])
for point in range(len(x)):
p = np.array([x[point], y[point], z[point]])
d += np.linalg.norm(np.cross(v1-v0,v0-p))/np.linalg.norm(v1-v0)
return d
result = minimize(fun, params,args=(x,y,z)))
result.params.pretty_print()
print(fit_report(result))
错误为类型错误:输入不正确:N=4不得超过M=1。在
我知道这是因为只有1个残差(距离)和4个参数,但这是我需要的。我想优化4个参数,以获得最小距离之和。在
似乎是方法问题。在
使用Nelder,我得到了结果。 但不是正确的。所以还是不确定密码。在
问题是在您的例子中,
fun
返回一个标量。对于某些方法来说,这没问题,但是正如您正确地指出的那样,least_squares
需要一个数组。我认为重写目标函数以使它返回一个数组应该可以解决这个问题-看看描述和示例here。在对于使用Levenberg-Marquardt最小化(默认的
lmfit.minimize()
)方法,您应该返回距离的ndarray。也就是说,不要自己求最小平方和。通过返回完整数组(一组特定参数值的所有距离观测值),可以让拟合算法更好地探索参数对拟合质量的影响。在相关问题 更多 >
编程相关推荐