我想把曲线拟合到我的实验数据集中,但我真的不知道怎么做。我一直在寻找各种可能性,我遇到了curve_fit
(还有least_suqares
),这似乎是为了完成这项任务,但我仍然非常不熟悉它的工作原理,因为我很难让它进入我的厚脑袋。我首先定义了初始值:
import numpy as np
import math
from scipy.optimize import curve_fit, least_squares
f_exp = np.array([1, 1.6, 2.7, 4.4, 7.3, 12, 20, 32, 56, 88, 144, 250000])
e_exp = np.array([7.15, 7.30, 7.20, 7.25, 7.26, 7.28, 7.32, 7.25, 7.35, 7.34, 7.37, 13.55])
n_e_exp = len(e_exp)
ezero = 7.15
einf = 13.55
fc = np.arange(1,11000,1000)
alpha = np.arange(0,1.1,0.1)
log_f_mod = np.arange(-3, 6.5, 0.5)
f_mod = 10 ** log_f_mod
n_f_mod = len(f_mod)
n_fc = len(fc)
n_alpha = len(alpha)
x = np.zeros((n_f_mod, n_fc))
for j in range(n_f_mod):
for k in range(n_fc):
x[j,k] = np.log(f_mod[j] / fc[k])
注意,x
是fc
的函数。现在,我使用curve_fit
、least_squares
或其他更合适的函数来定义要运行的函数:
def c_c_eRI(einf, ezero, alpha, x):
eR = einf + 1/2 * (ezero - einf) * (1 - np.sinh((1 - alpha) * x) / (np.cosh((1 - alpha) * x) + np.cos(alpha * math.pi / 2)))
eI = np.abs(1/2 * (ezero - einf) * np.cos(alpha * math.pi / 2) / (np.cosh((1 - alpha) * x) + np.sin(alpha * math.pi / 2)))
eRI = np.sqrt(eR ** 2 + eI ** 2)
return eRI
在这一点上,我试图让它工作没有任何运气,通过:
fit = curve_fit(c_c_eRI, f_exp, e_exp)
curve_fit
、least_squares
或其他一些)来将曲线拟合到实验数据,同时提供独立变量的值,即alpha
和fc
(这些x
是的一个函数,用于实现拟合本身?你知道吗换言之,目的是找到alpha
和fc
(这x
是的函数)的值,该值提供了f_exp
与e_exp
的最佳拟合,方式与EXCEL
解算器通过改变alpha
和fc
找到最小平方残差的方式类似。你知道吗
最终目标是绘制f_exp
与e_exp
以及使用matplotlib
拟合的曲线——我也有点不知道怎么做。你知道吗
我很抱歉没有一个更普遍的例子。你知道吗
如果我正确理解了你的例子,我想你只需要把你的函数定义改为
从curve_fit docs:
The model function, f(x, …). It must take the independent variable as the first argument and the parameters to fit as separate remaining arguments.
相关问题 更多 >
编程相关推荐