假设“h”是 x、y、z 和 t 的函数,它为我们提供了一条图形线 (t,h)(模拟)。同时我们也有观察图(h 对 t 的观察值)。如何通过优化 x、y 和 z 的值来减少观察到的 (t,h) 和模拟 (t,h) 图之间的差异?我想更改模拟图,使其越来越接近 MATLAB/Python 中观察到的图。在文献中,我读到人们通过 Lavenberg-marquardt 算法做了同样的事情,但不知道该怎么做?
最佳答案
您实际上是在尝试拟合参数化函数h(x,y,z;t)
的参数x,y,z
。
MATLAB
你是对的,在 MATLAB 中你应该使用 lsqcurvefit
优化工具箱的,或 fit
曲线拟合工具箱(我更喜欢后者)。
查看lsqcurvefit
的文档:
x = lsqcurvefit(fun,x0,xdata,ydata);
文档中说您有一个模型 F(x,xdata)
,其中包含系数 x
和样本点 xdata
,以及测量值ydata
集。该函数返回最小二乘参数集x
,使用该参数集您的函数最接近测量值。
拟合算法通常需要起点,某些实现可以随机选择,在lsqcurvefit
的情况下,这就是x0
的用途。如果你有
h = @(x,y,z,t) ... %// actual function here
t_meas = ... %// actual measured times here
h_meas = ... %// actual measured data here
然后按照lsqcurvefit
的约定,
fun <--> @(params,t) h(params(1),params(2),params(3),t)
x0 <--> starting guess for [x,y,z]: [x0,y0,z0]
xdata <--> t_meas
ydata <--> h_meas
你的函数h(x,y,z,t)
应该在t
中进行向量化,这样对于t
中的向量输入返回值的大小与t
相同。然后调用lsqcurvefit
将为您提供最佳参数集:
x = lsqcurvefit(@(params,t) h(params(1),params(2),params(3),t),[x0,y0,z0],t_meas,h_meas);
h_fit = h(x(1),x(2),x(3),t_meas); %// best guess from curve fitting
<小时/>
Python
在Python中,你必须使用scipy.optimize
模块,以及类似scipy.optimize.curve_fit
的东西。尤其。根据上述约定,您需要类似以下内容:
import scipy.optimize as opt
popt,pcov = opt.curve_fit(lambda t,x,y,z: h(x,y,z,t), t_meas, y_meas, p0=[x0,y0,z0])
请注意,p0
起始数组是可选的,但如果缺少,所有参数都将设置为 1。您需要的结果是 popt
数组,其中包含 [x,y,z]
的最佳值:
x,y,z = popt
h_fit = h(x,y,z,t_meas)
关于python - 通过在 MATLAB/Python 中优化多个变量来减少两个图之间的差异?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35903023/