我正在研究将μ子寿命数据拟合到曲线上,用lmfit函数提取平均寿命。我使用的一般过程是使用直方图函数将13000个数据点分为10个单元,用每个单元中计数的平方根计算不确定性(这是一个指数模型),然后使用lmfit模块确定最佳拟合以及平均值和不确定度。但是,绘制模型.拟合()方法返回此图,其中红线表示拟合(显然不是正确拟合)。Fit result output graph
我在网上找过,找不到解决办法,我真的很感激能帮我弄清楚到底发生了什么。这是密码。在
import os
import numpy as np
import matplotlib.pyplot as plt
from numpy import sqrt, pi, exp, linspace
from lmfit import Model
class data():
def __init__(self,file_name):
times_dirty = sorted(np.genfromtxt(file_name, delimiter=' ',unpack=False)[:,0])
self.times = []
for i in range(len(times_dirty)):
if times_dirty[i]<40000:
self.times.append(times_dirty[i])
self.counts = []
self.binBounds = []
self.uncertainties = []
self.means = []
def binData(self,k):
self.counts, self.binBounds = np.histogram(self.times, bins=k)
self.binBounds = self.binBounds[:-1]
def calcStats(self):
if len(self.counts)==0:
print('Run binData function first')
else:
self.uncertainties = sqrt(self.counts)
def plotData(self,fit):
plt.errorbar(self.binBounds, self.counts, yerr=self.uncertainties, fmt='bo')
plt.plot(self.binBounds, fit.init_fit, 'k--')
plt.plot(self.binBounds, fit.best_fit, 'r')
plt.show()
def decay(t, N, lamb, B):
return N * lamb * exp(-lamb * t) +B
def main():
muonEvents = data('C:\Users\Colt\Downloads\muon.data')
muonEvents.binData(10)
muonEvents.calcStats()
mod = Model(decay)
result = mod.fit(muonEvents.counts, t=muonEvents.binBounds, N=1, lamb=1, B = 1)
muonEvents.plotData(result)
print(result.fit_report())
print (len(muonEvents.times))
if __name__ == "__main__":
main()
这可能是一个简单的缩放问题。作为一个快速测试,尝试将所有原始数据除以因子1000(包括X和Y),看看更改数据大小是否有任何影响。在
仅仅是基于jamesphillips的回答,我认为您在图表中显示的数据暗示了N、lamb和B的值与1、1、1非常不同。请记住,exp(-lamb*t)对于lamb=1和t>;100,本质上是0。所以,如果算法从lamb=1开始,稍微改变一下以找到一个更好的值,它实际上就看不出模型与数据的匹配程度有什么不同。在
我建议从更合理的数值开始,比如N=1.e6,lamb=1.e-4,B=100。在
正如James建议的那样,让变量的值为1级,并在必要时加入比例因子通常有助于获得数值稳定的解。在
相关问题 更多 >
编程相关推荐