使用LMFIT将多峰值函数拟合到数据集

Question

我想用LMFIT库做一个多重洛伦兹拟合， 但它不起作用，我甚至明白 made是完全错误的，但我没有任何新的想法。在

我的问题是：我有一个很长的光谱，有多组 峰值，但是在这些集合中，峰值的数目不是恒定的，所以 有时我只有1个峰值，但有时可能有8个峰值 甚至20个。在

#function definition:

def Lorentzian(x, amp, cen, wid, n):
    f = 0
    for i in range( int(n) ):
        "lorentzian function: wid = half-width at half-max"
        f += (amp[i]/(1 + ((x-cen[i])/wid[i])**2))
    return f

#library import and model definition:

import lmfit as lf

lmodel = lf.Model(Lorentzian)

#The initial parameters for the model:
peaks_in_interval = np.array([2378, 2493, 2525, 2630, 2769])

number_of_peaks = len(peaks_in_interval)         
amplitude = width = np.zeros( number_of_peaks ) + 1
center = x[peaks_in_interval]

params = lmodel.make_params(x = x, amp = amplitude, cen = center, wid = width, n = number_of_peaks)

#This is the line that doesn't work:                        
result = lmodel.fit( y, params, x = x )

我已经开始尝试创建一个泛型函数来返回 多洛伦兹，但我在努力如何让它工作。。。在

我还发送了x，y数组的数据。在

dataset for x and y

This is what the DataSet of x and y looks like.

Answer 1

您应该能够使用内置模型并使用manual中描述的前缀。此外，最近有一个关于mailinglist的非常相似的话题的讨论。在

你可以做如下所示的事情。它还不能很好地适应上一个峰值，但是你可以稍微改变一下起始值之类的。此外，由于基线不是完全平坦的，使用LinearModel代替ConstantModel可能会有所改善，但我没有尝试过。在

from lmfit.models import LorentzianModel, ConstantModel
import numpy as np
import matplotlib.pyplot as plt

x, y = np.loadtxt('Peaks.txt', unpack=True)

peaks_in_interval = np.array([43, 159, 191, 296, 435, 544])
number_of_peaks = len(peaks_in_interval)
amplitude = y[peaks_in_interval] / 5
width = np.zeros(number_of_peaks) + 0.1
center = x[peaks_in_interval]

def make_model(num):
    pref = "f{0}_".format(num)
    model = LorentzianModel(prefix = pref)
    model.set_param_hint(pref+'amplitude', value=amplitude[num], min=0, max=5*amplitude[num])
    model.set_param_hint(pref+'center', value=center[num], min=center[num]-0.5, max=center[num]+0.5)
    model.set_param_hint(pref+'sigma', value=width[num], min=0, max=2)
    return model

mod = None
for i in range(len(peaks_in_interval)):
    this_mod = make_model(i)
    if mod is None:
        mod = this_mod
    else:
        mod = mod + this_mod

offset = ConstantModel()
offset.set_param_hint('c', value=np.average(y[-75:]))
mod = mod + offset

out=mod.fit(y, x=x, method='nelder')
plt.interactive(True)
print(out.fit_report())
plt.plot(x, y)
plt.plot(x, out.best_fit, label='best fit')
plt.plot(x, out.init_fit, 'r ', label='fit with initial values')
plt.show()