如何拟合以下 scipy 教程的微分函数
Scipy Differential Equation Tutorial ?
最后,我想拟合一些数据点,这些数据点遵循一组总共有六个参数的两个微分方程,但我想从一个简单的示例开始。到目前为止,我尝试了函数 scipy.optimize.curve_fit
和 scipy.optimize.leastsq
但我没有得到任何结果。
这就是我走了多远:
import numpy as np
import scipy.optimize as scopt
import scipy.integrate as scint
import scipy.optimize as scopt
def pend(y, t, b, c):
theta, omega = y
dydt = [omega, -b*omega - c*np.sin(theta)]
return dydt
def test_pend(y, t, b, c):
theta, omega = y
dydt = [omega, -b*omega - c*np.sin(theta)]
return dydt
b = 0.25
c = 5.0
y0 = [np.pi - 0.1, 0.0]
guess = [0.5, 4]
t = np.linspace(0, 1, 11)
sol = scint.odeint(pend, y0, t, args=(b, c))
popt, pcov = scopt.curve_fit(test_pend, guess, t, sol)
出现以下错误消息:
ValueError: too many values to unpack (expected 2)
我很抱歉,因为这被认为是一个非常简单的问题,但我无法让它发挥作用。所以提前致谢。
最佳答案
您需要提供一个函数f(t,b,c)
,给定一个参数或t
中的参数列表,返回该函数的值参数。这需要一些工作,通过确定 t
的类型或使用任一方式工作的构造:
def f(t,b,c):
tspan = np.hstack([[0],np.hstack([t])])
return scint.odeint(pend, y0, tspan, args=(b,c))[1:,0]
popt, pcov = scopt.curve_fit(f, t, sol[:,0], p0=guess)
返回popt = array([ 0.25, 5. ])
。
这可以扩展以适应更多参数,
def f(t, a0,a1, b,c):
tspan = np.hstack([[0],np.hstack([t])])
return scint.odeint(pend, [a0,a1], tspan, args=(b,c))[1:,0]
popt, pcov = scopt.curve_fit(f, t, sol[:,0], p0=guess)
结果为popt = [ 3.04159267e+00, -2.38543640e-07, 2.49993362e-01, 4.99998795e+00]
。
另一种可能性是显式计算与目标解之差的平方范数,并对如此定义的标量函数应用最小化。
def f(param):
b,c = param
t_sol = scint.odeint(pend, y0, t, args=(b,c))
return np.linalg.norm(t_sol[:,0]-sol[:,0]);
res = scopt.minimize(f, np.array(guess))
返回到res
fun: 1.572327981969186e-08
hess_inv: array([[ 0.00031325, 0.00033478],
[ 0.00033478, 0.00035841]])
jac: array([ 0.06129361, -0.04859557])
message: 'Desired error not necessarily achieved due to precision loss.'
nfev: 518
nit: 27
njev: 127
status: 2
success: False
x: array([ 0.24999905, 4.99999884])
关于python - 用 scipy 拟合微分方程,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/53767265/