也许有人能帮我。我花了好几天的时间,但还是解决不了这个问题。提前谢谢。在
我想在我的实验数据中加入两个洛伦兹方程。我把方程分解成两个lorentzian lorentz1
和{L1
和L2
,只将一个常量cnst
乘以它们。我有所有4个参数可供选择:cnst1
,cnst2
,tau1
,tau2
。在
我使用lmfit
:Model和minimize(可能两者都使用相同的方法)。在
初始拟合参数的设置方式在视觉上更接近于精细拟合。但使用lmfit最小化会丢失(下图第一张):
使用这些参数:
params.add('cnst1', value=1e3 , min=1e2, max=1e5)
params.add('cnst2', value=3e5, min=1e2, max=1e6)
params.add('tau1', value=2e0, min=0, max=1e2)
params.add('tau2', value=5e-3, min=0, max=10)
但错误百分比很低:
^{pr2}$另一方面,将参数控制在非常接近初始值(力类似于初始值):
使用参数:
#params.add('cnst1', value=1e3 , min=0.1e3, max=1e3)
#params.add('cnst2', value=3e5, min=1e3, max=1e6)
#params.add('tau1', value=2e0, min=0, max=2)
#params.add('tau2', value=5e-3, min=0, max=10)
拟合效果更好,但误差值很大:
[[Variables]]
cnst1: 752.988629 +/- 221.3098 (29.39%) (init= 1000)
cnst2: 3.0159e+05 +/- 3.05e+07 (10113.40%) (init= 300000)
tau1: 1.99684317 +/- 0.600748 (30.08%) (init= 2)
tau2: 0.00497806 +/- 0.289651 (5818.56%) (init= 0.005)
以下是总代码:
import numpy as np
from lmfit import Model, minimize, Parameters, report_fit
import matplotlib.pyplot as plt
x = np.array([0.02988, 0.07057,0.19365,0.4137,0.91078,1.85075,3.44353,6.39428,\
11.99302,24.37024,52.58804,121.71927,221.53799,358.27392,464.70405])
y = 1.0 / np.array([4.60362E-4,5.63559E-4,8.44538E-4,0.00138,0.00287,0.00657,0.01506,\
0.03119,0.0584,0.09153,0.12538,0.19389,0.34391,0.68869,1.0])
def lorentz1(x, tau):
L = tau / ( 1 + (x*tau)**2 )
return(L)
def lorentz2(x, tau):
L = tau**2 / ( 1 + (x*tau)**2 )
return(L)
def L1(x,cnst1,tau1):
L1 = cnst1 * lorentz1(x,tau1)
return (L1)
def L2(x, cnst2, tau2):
L2 = cnst2 * lorentz2(x,tau2)
return (L2)
def L_min(params, x, y):
cnst1 = params['cnst1'].value
cnst2 = params['cnst2'].value
tau1 = params['tau1'].value
tau2 = params['tau2'].value
L_total = L1(x, cnst1, tau1) + L2(x, cnst2, tau2)
resids = L_total - y
return resids
#params = mod.make_params( cnst1=10e2, cnst2=3e5, tau1=2e0, tau2=0.5e-2)
params = Parameters()
#params.add('cnst1', value=1e3 , min=0.1e3, max=1e3)
#params.add('cnst2', value=3e5, min=1e3, max=1e6)
#params.add('tau1', value=2e0, min=0, max=2)
#params.add('tau2', value=5e-3, min=0, max=10)
params.add('cnst1', value=1e3 , min=1e2, max=1e5)
params.add('cnst2', value=3e5, min=1e2, max=1e6)
params.add('tau1', value=2e0, min=0, max=1e2)
params.add('tau2', value=5e-3, min=0, max=10)
#1-----Model--------------------
mod = Model(L1) + Model(L2)
result_mod = mod.fit(y, params, x=x)
print('---results from lmfit.Model----')
print(result_mod.fit_report())
#2---minimize-----------
result_min = minimize(L_min, params, args=(x,y))
final_min = y + result_min.residual
print('---results from lmfit.minimize----')
report_fit(params)
#-------Plot------
plt.close('all')
plt.loglog(x, y,'bo' , label='experimental data')
plt.loglog(x, result_mod.init_fit, 'k--', label='initial')
plt.loglog(x, result_mod.best_fit, 'r-', label='final')
plt.legend()
plt.show()
在搜索一些东西时,google带来了我前段时间问过的问题。现在我知道答案了,我在这里给出答案。我希望它能帮助别人。:)
我将考虑
lmfit.minimize
函数。所以我所做的更改是绘制lmfit.minimize
的结果。为了解决对数y标度的问题(这也是@mdurant也提到的主要问题),我只是将残差除以y值(取残差时,以某种方式规范化所有数据以使其具有可比性)。我把它命名为加权残差。在结果用蓝线表示:
完整的代码:
^{pr2}$拟合误差也不错:
^{3}$相关问题 更多 >
编程相关推荐