python拟合曲线并得出方程式,python拟合曲线误差分析

　　关于规模问题，我同意奥拉夫的意见。最佳参数相差几个数量级。但是，缩放用于生成玩具数据的参数似乎无法解决实际的应用问题。使用^{}^{}。在数值上近似于雅可比矩阵。数值问题是由尺度的差异引起的。 (请尝试在曲线拟合中使用全输出关键字。在

　　根据我的经验，最好用^{}。不依赖于近似导数，只使用函数的值。你现在必须写下你自己最mldjc乘方函数。那个会被优化。在

　　初始值依然很重要。在你的例子中，通过取a的最大振幅和与b和c对应的x的值可以充分推测。在

　　在代码中，您将看到以下内容：来自scipy.optimizeimportcurve _ fit，fmin

　　导入编号

　　导入实验室

　　#创建高斯函数

　　定义高斯(x，a，b，c):

　　val=a * numpy。exp(-(x-b)* 2/)2 * c * * 2))

　　返回值

　　#生成假货数据。

　　zMinEntry=80.0*1E-06

　　zMaxEntry=180.0*1E-06

　　zStepEntry=0.2*1E-06

　　x=numpy.arange(zminentry，

　　四川峨眉山随行酒店条目，

　　zStepEntry，

　　dtype=numpy.float64)

　　n=len(x)

　　meany=zmin条目(zmax条目-zmin条目)/2

　　sigmaY=10.0E-06

　　a=1.0/(sigmay * numpy)。sqrt)2 * numpy。pi))

　　y=高斯(x，a，meanY，sigmaY)a* 0.1 * numpy。随机的。normal(0，1，size=len(x ) x)))))

　　打印一，卑鄙，西格玛伊

　　# estimatestartingvaluesfromthedata

　　a=y.max()

　　b=x[numpy.argmax(a ) ]

　　c=b

　　# definealastsquaresfunctiontoooptimize

　　EFminfunc(Params):

　　returnsum((y-Gaussian ) x、params[0]、params[1]、params[2] ) * (2))))))

　　#适合

　　popt=fmin(minfunc，[a，b，c])

　　#打印结果

　　print(scale=%.3f ) % ) popt[0])

　　print(offset=%.3f ) % ) popt[1])

　　print(sigma=%.3f ) % ) popt[2])

　　pylab.plot(x，y， ro )。

　　pylab.plot(x，gaussian(x ) x，popt[0]，popt[1]，popt[2]，lw=2))))))

　　pylab.xlim(x.min)、x.max))

　　pylab.grid(true))。

　　pylab.show(

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。