Mit einem denke, mit scipy curve_fit

Ich habe eine Funktion, ich möchte Kurvenanpassung mit dem wissen der Fehler der Kurvenanpassung. Ich versuche, scipy.optimieren.curve_fit dies zu tun, aber bin knapp in problem. Jetzt mein code ist:

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

pi = np.pi
sqrt = np.sqrt
mean = np.mean

A = 1
T_2 = 100
nu_0 = 10
phi_0 = 0
n = .001
nu_s = 500
T = 1000

t = np.linspace(0, T, num = (nu_s*T))

def S_n(A,t,T_2,nu_0,phi_0,n,nu_s,T):
    return (A/np.sqrt(2))*np.exp(-t/T_2)*np.cos(2*pi*nu_0*t+phi_0)

S = S_n(A,t,T_2,nu_0,phi_0,n,nu_s,T) + np.random.normal(0, n, nu_s*T)

guess = np.array([A,T_2,nu_0,phi_0,n,nu_s,T])
print guess

popt, pcov = curve_fit(S_n,t,S, guess)
print popt
perr = sqrt(np.diag(pcov))
print perr

Gibt mir unendliche Fehler. Ich bin mir nicht sicher, ob ich das Tue, ist meine Vermutung richtig, weil in der Gleichung, es bleibt alles konstant außer t, so verlasse ich t aus meine Vermutung, da es nicht mehr ein array, denn t ist eine Sequenz. Wenn ich aus t aus der Vermutung, die ich hier mache erhalte ich Werte für jede variable, die weit von den Werten gebe ich zunächst mit unendlicher Fehler. Wenn ich t in die denke, dann bekomme ich eine Fehlermeldung.

InformationsquelleAutor GlassSeaHorse | 2015-01-16

  1. 1

    Du nicht die Reihenfolge der Parameter zu curve_fit berücksichtigt:

    Definition: curve_fit(f, xdata, ydata, p0=None, sigma=None, **kw)

    Docstring:
    Die Verwendung von nicht-linearen least-squares-fit einer Funktion f, zu Daten.

    Übernimmt ydata = f(xdata, *params) + eps

    Parameter

    f : callable
    Die Modell-Funktion f(x, ...). Es müssen die unabhängigen
    variable als erstes argument und die Parameter passen wie
    separate übrigen Argumente.

    Wenn Sie eine Funktion:

    def Sm(t, A,T_2,nu_0,phi_0,n,nu_s,T):
    return S_n(A, t, T_2,nu_0,phi_0,n,nu_s,T)

    (beachten Sie die Reihenfolge der ersten 2 Parameter geändert hat)
    und pass auf curve_fit ist, wird es funktionieren.

    Ist es wohl mehr pythonic zu reinigen, Ihre ursprüngliche Funktion aber:

    def S_n(t, A, T_2, nu_0, phi_0, n, nu_s, T):
    return (A/np.sqrt(2))*np.exp(-t/T_2)*np.cos(2*pi*nu_0*t+phi_0)

S = S_n(t, A, T_2, nu_0, phi_0, n, nu_s, T) + np.random.normal(0, n, nu_s*T)

    Dann können Sie pass S_n zu curve_fit unverändert, ebenso wie S und guess.

    Klar sein, der folgende code erzeugt die gewünschte Passform:

    import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

def S_n(t, amplitude, sigma,freq0,phase):
    return (amplitude/np.sqrt(2))*np.exp(-t/sigma)*np.cos(2*np.pi*freq0*t+ phase)

amplitude = 1
sigma = 100
freq0 = 10
phase = 0
n = .001
sample_freq = 500
period = 1000

t = np.linspace(0, period, num = (sample_freq*period))
S = S_n(t, amplitude, sigma,freq0,phi_0) + np.random.normal(0, n, sample_freq*period)

guess = np.array([amplitude, sigma, freq0, phase ])
print guess
popt, pcov = curve_fit(S_n,t,S, guess)
print popt
print(np.all(np.isfinite(pcov)))
# output
[  1 100  10   0]
[  1.00000532e+00   1.00000409e+02   1.00000000e+01  -1.49076430e-05]
True
    Du sagst zum hinzufügen von def Sm getrennt von allem anderen haben dann curve_fit(S_n,t,Sm,Vermutung)? Das ist nicht einschließlich der random noise, die ich brauche. Oder meinten Sie haben curve_fit(Sm,t,S,guess)? Wenn, dann ändere ich meine Vermutung?
    den letzten Teil: rufen Sie curve_fit(Sm,t,S,guess) und lassen Sie alles andere. Lassen Sie die guess ist als: es war in der richtigen Reihenfolge. Im Grunde curve_fit rufen die Modell-Funktion Sm in diesem Fall, mit dem 2. parameter bereitgestellt t, wie die Modell-Funktion das erste argument. Die guess, Hinzugefügt werden als zusätzliche Argumente in dem Aufruf zu der Modell-Funktion.
    Es ist immer noch, dass Sie mir das gleiche problem. Wenn ich es wie dass mit curve_fit(Sm,t,S,Vermutung) die Ausgabe [ 2.28727542 e+00 -8.16926439 e+01 4.39912861 e+03 1.04075178 e+06 1.00000000 e-03 5.00000000 e+02 1.00000000 e+03] [ inf inf inf inf inf inf inf].
    begleiten Sie mich in chat
    das ist, weil Ihr Modell hat 3 Parameter, die nicht überhaupt verwendet: n, nu_s, T. Dies erklärt sich hier zu (ich von Ihnen positiv bewertet werden). Wenn Sie loszuwerden, die 3 verwendeten Parameter (auch in der guess) dann pcov zurück endliche Werte. Ich änderte meine Antwort entsprechend die Variablen, die Sie in verwenden, und geben Sie einen aussagekräftigeren Titel.

    InformationsquelleAutor Oliver W.

Schreibe einen Kommentar