假设我已经定义了自变量x
的两个实值函数和一些参数,其形式如下:
f(x, 参数)
g(x, 参数)
(或者:一个返回实数二元组的函数,(f(x),g(x))
)。
我现在想使用 scipy 的 curve_fit
将两条曲线同时拟合到两个数据数组:fdata
和 gdata
及其相关错误:fdata-err
、gdata-err
(即找到适合数据的最佳参数)。这可能吗?
我知道我可以定义一个新函数,它是两个函数及其各自测量值之间的差异之和,但Python的最小化函数似乎不会产生或解释错误,这对我的目的非常重要。
最佳答案
我只需要做类似的事情,并找到一个替代方案,而无需定义自定义最小二乘函数。
一种方法是定义另一个函数 h(x,parameters),它只是 f() 和 g() 的串联。
import numpy as np
def h(x, params):
fr = f(x, params)
gr = g(x, params)
hr = np.hstack(fr, gr)
return hr
同样,您必须连接 f() 和 g() 的 ydata。
fdata = [..] ## value of ydata of f
gdata = [..] ## value of ydata of g
hdata = np.hstack(fdata, gdata)
以同样的方式,xdata 也必须重复。
xdata_new = np.hstack(xdata, xdata)
现在您可以调用curve_fit()
了。
import scipy.optimize as optimization
popt, pcov = optimization.curve_fit(f=h, xdata=xdata_new, ydata=ydata)
print(popt)
注意:您可能需要根据定义 f() 和 g() 的方式更改一些内容。但基本结构应该成立。
关于python - 使用 scipy curve_fit 同时拟合两个函数,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37319309/