的问题如下:
>>> (-2)**1.1
(-2.0386342710747223-0.6623924280875919j)
>>> np.array(-2)**1.1
__main__:1: RuntimeWarning: invalid value encountered in power
nan
与天然蟒蛇花车,numpy的双打通常拒绝参加行动导致复杂的结果:
>>> np.sqrt(-1)
__main__:1: RuntimeWarning: invalid value encountered in sqrt
nan
一个快速的解决办法,我建议增加一个np.abs
调用你的函数,并使用合适的界限进行拟合,以确保这不会导致伪装。如果你的模型接近真相,你的样本(我的意思是你样本中的余弦值)是正的,那么在它周围增加一个绝对值应该是一个无操作(更新:我意识到情况绝非如此,请看正确的方法下面)。
def f(x, Amp, n, b):
return Amp*(np.abs(np.cos(x)))**n + b # only change here
有了这个小小的改变,我得到这样的:
作为参考,从拟合是(4.96482314, 2.03690954, 5.03709923])
比较生成与(5,2,5)
参数。
发出后多一点想我意识到,余弦将总是为负半域(杜)。所以我建议的解决方法可能会有点问题,或者至少它的正确性不是微不足道的。另一方面,考虑到包含cos(x)^n
的原始公式,cos(x)
的值为负值,如果n
是整数,则这只适用于模型,否则会得到复杂的结果。由于我们无法解决Diophantine拟合问题,因此我们需要正确处理。
最合适的方式(我的意思是偏差数据的可能性最小的方式)是这样的:首先用模型将拟合数据转换为复数,然后将复杂数值输出:
def f(x, Amp, n, b):
return Amp*np.abs(np.cos(x.astype(np.complex128))**n) + b
这显然是比我的解决方法的效率低得多,因为每个配件的步骤,我们创建一个新的网格,无论是在复杂的运算和一个额外的量计算的形式做一些额外的工作。这给了我下面的配合,即使没有设置界限:
的参数是(5.02849409, 1.97655728, 4.96529108)
。这些也很接近。但是,如果我们把这些数值放回到实际模型中(没有np.abs
),我们得到的虚数部分大到-0.37
,这并不是很大但是很重要。
所以第二步应该是重新拟合一个合适的模型---一个整数指数。从你的体型中选出一个明显的指数2,然后对这个模型进行一个新的拟合。我不相信任何其他方法会给你一个数学上合理的结果。你也可以从最初的popt
开始,希望它确实接近真相。当然,我们可以将原始函数与一些currying一起使用,但使用模型的专用双特定版本要快得多。
from __future__ import print_function
import numpy as np
from scipy.optimize import curve_fit
from matplotlib.pyplot import subplots, show
def f_aux(x, Amp, n, b):
return Amp*np.abs(np.cos(x.astype(np.complex128))**n) + b
def f_real(x, Amp, n, b):
return Amp*np.cos(x)**n + b
x = np.arange(0, 2*np.pi, 0.01) # pi
randomPart = np.random.rand(len(x)) - 0.5
sample = f(x, 5, 2, 5) + randomPart
fig,(frame_aux,frame) = subplots(ncols=2)
for fr in frame_aux,frame:
fr.plot(x, sample, label="Sample measurements")
fr.legend()
fr.set_xlabel("x")
fr.set_ylabel("y")
# auxiliary fit for n value
popt_aux, pcov_aux = curve_fit(f_aux, x, sample, p0=(1,1,1))
modeldata = f(x, *popt_aux)
#print(modeldata)
print('Auxiliary fit parameters: {}'.format(popt_aux))
frame_aux.plot(x, modeldata, label="Auxiliary fit")
# check visually, test if it's close to an integer, but otherwise
n = np.round(popt_aux[1])
# actual fit with integral exponent
popt, pcov = curve_fit(lambda x,Amp,b,n=n: f_real(x,Amp,n,b), x, sample, p0=(popt_aux[0],popt_aux[2]))
modeldata = f(x, popt[0], n, popt[1])
#print(modeldata)
print('Final fit parameters: {}'.format([popt[0],n,popt[1]]))
frame.plot(x, modeldata, label="Best fit")
frame_aux.legend()
frame.legend()
show()
请注意,我改变了你的代码中的一些东西,这并不影响我的观点。从上面的图中,这样的一个,同时显示了辅助配合和正确的一个:
输出:
Auxiliary fit parameters: [ 5.02628994 2.00886409 5.00652371]
Final fit parameters: [5.0288141074549699, 2.0, 5.0009730316739462]
只是重申:虽然可能没有视觉差在辅助配合和正确配合之间,只有后者给你的问题提供了有意义的答案。