我试图绘制多个重复R-T测量的数据集,并使用scipy.optimize.curve_fit
拟合每个数据集的最佳拟合立方根线
我的代码为每个数据集生成一行,但不是最佳拟合的立方根线。每个数据集都按照其对应的最佳拟合行进行颜色编码:
我尝试过增加数据的数量级,因为我听说有时候scipy.optimize.curve_fit
不喜欢非常小的数字,但这没有改变。如果有人能指出我错在哪里,我将不胜感激:
import numpy as np
from scipy.optimize import curve_fit
import scipy.optimize as scpo
import matplotlib.pyplot as plt
files = [ '50mA30%set1.lvm','50mA30%set3.lvm', '50mA30%set4.lvm',
'50mA30%set5.lvm']
for file in files:
data = numpy.loadtxt(file)
current_YBCO = data[:,1]
voltage_YBCO = data[:,2]
current_thermometer = data[:,3]
voltage_thermometer = data[:,4]
T = data[:,5]
R = voltage_thermometer/current_thermometer
p = np.polyfit(R, T, 4)
T_fit = p[0]*R**4 + p[1]*R**3 + p[2]*R**2 + p[3]*R + p[4]
y = voltage_YBCO/current_YBCO
def test(T_fit, a, b, c):
return a * (T_fit+b)**(1/3) + c
param, param_cov = curve_fit(test, np.array(T_fit), np.array(y),
maxfev=100000)
ans = (param[0]*(np.array(T_fit)+param[1])**(1/3)+param[2])
plt.scatter(T_fit,y, 0.5)
plt.plot(T_fit, ans, '--', label ="optimized data")
plt.xlabel("YBCO temperature(K)")
plt.ylabel("Resistance of YBCO(Ohms)")
plt.xlim(97, 102)
plt.ylim(-.00025, 0.00015)
有两件事让你更难接受
首先,numpy数组的负数的立方根。如果您尝试此方法,您会发现您没有得到想要的结果:
这意味着
test
函数在任何时候获得负值时都会出现问题,您需要负值来创建曲线的左侧。相反,使用np.cbrt其次,你的功能是
不幸的是,这与您显示的图表不太相似。这使得优化很难找到“好”的匹配。我特别不喜欢这个函数的地方是
T_fit == b
处垂直移动。你的数据在这一点上有一个明确的斜率T_fit = b
的地方持续强劲增长。你的数据是水平的李>然而,有时可以通过给优化提供一个良好的起点来获得更“合理的拟合”
你没有给我们任何代码来工作,这使得这更加困难。因此,作为说明,请尝试以下方法:
现在,如果我运行这段代码,我会得到一个大致跟随数据的拟合。但是,如果我进行初步猜测,即通过调用
那就更糟糕了。原因是
curve_fit
将从[1, 1, 1]
的初始猜测开始。看起来大致正确的解决方案位于与[1, 1, 1]
不同的山谷中,因此它不是找到的解决方案。换句话说,它只找到局部最小值,而不是全局最小值相关问题 更多 >
编程相关推荐