我试图使用curve_fit
在Python中从matlab实现lsqcurvefit
,但没有成功。下面是我尝试移植到Python的matlab代码:
myfun = @(x,xdata)(exp(x(1))./ xdata.^exp(x(2))) - x(3);
xstart = [4, -2, 54];
pX = [2, 3, 13, 12, 38, 39];
pY = [12.7595, 8.7857, -11.8802, -10.9528, -15.4390, -15.3083];
try
fittedmodel = lsqcurvefit(myfun,xstart,double(pX),double(pY), [], [], optimset('Display', 'off'));
disp("fitted model:");
disp(fittedmodel);
catch
end
以下是我的matlab输出:
fitted model:
4.8389 3.3577 -2.0000
下面是我的Python代码:
from scipy.optimize import curve_fit
import numpy as np
pX = [2, 3, 13, 12, 38, 39];
pY = [12.7595, 8.7857, -11.8802, -10.9528, -15.4390, -15.3083];
def myfun(x, xdata):
temp_val_1 = np.exp(x[0])
temp_val_2 = np.exp(x[1])
temp_val_3 = x[2]
temp_val_4 = np.power(xdata, temp_val_2)
temp_val_5 = np.divide(temp_val_1, temp_val_4)
temp_val_6 = temp_val_5 - temp_val_3
return temp_val_6
popt, pcov = curve_fit(myfun, pX, pY, p0=([4, -2, 54]))
print(popt, "\n", pcov)
下面是我的Python输出:
myfun() takes 2 positional arguments but 4 were given
我知道输入有问题,但我不知道如何改变以解决这个问题,并得到与使用matlab相同的结果
以下是一些让您开始学习的提示:
注意
curve_fit
需要一个签名为f(xdata, *x)
的函数,其中x
是您的优化变量,即搜索的系数。与Matlab的lsqcurvefit
相比,情况正好相反。符号*x
是特定于python的,表示数量可变的参数此外,您不需要使用
np.power
和np.divide
函数。对于np.数组,通常的数学运算符是重载的,并且是按元素应用的。例如,这意味着对于两个np.arraya / b
等价于Matlab的a ./ b
。因此,书写(和阅读)更方便:我得到以下系数:
但是,术语
np.exp(x[1])
似乎有溢出,因此可能值得重新格式化目标函数或提高浮点精度。i、 e.使用长双精度dtype=np.float128
相关问题 更多 >
编程相关推荐