python - 为什么 SciPy 的 curve_fit 不能找到这个高阶高斯函数的协方差/给我有意义的参数？

Question

这是一些最小的代码:

from scipy.optimize import curve_fit
xdata = [16.530468600170202, 16.86156794563677, 17.19266729110334, 17.523766636569913,
 17.854865982036483, 18.18596532750305, 18.51706467296962, 18.848164018436194, 19.179263363902763,
 19.510362709369332]
ydata = [394, 1121, 1173, 1196, 1140, 1196, 1158, 1160, 1046, 416]
#function i'm trying to fit the data to (higher order gaussian function)
def gauss(x, sig, n, c, x_o):
    return c*np.exp(-(x-x_o)**n/(2*sig**n))
popt = curve_fit(gauss, xdata, ydata)
#attempt at printing out parameters
print(popt)

当我尝试执行代码时，我收到此错误消息:

ExCurveFit:9: RuntimeWarning: invalid value encountered in power
  return c*np.exp(-(x-x_o)**n/(2*sig**n))
C:\Users\dsneh\AppData\Local\Packages\PythonSoftwareFoundation.Python.3.8_qbz5n2kfra8p0\LocalCache\local-packages\Python38\site-packages\scipy\optimize\minpack.py:828: OptimizeWarning: Covariance of the parameters could not be estimated
  warnings.warn('Covariance of the parameters could not be estimated',
(array([nan, nan, nan, nan]), array([[inf, inf, inf, inf],
       [inf, inf, inf, inf],
       [inf, inf, inf, inf],
       [inf, inf, inf, inf]]))

我已经看到我应该忽略第一个，但也许这是一个问题。第二个更令人担忧，我显然希望参数有更合理的值。我试过添加参数作为猜测([2,3,1000,17] 供引用)，但没有帮助。

Answer 1

我相信您遇到这个问题是因为 curve_fit也在测试 n 的非整数值，在这种情况下，您的函数 gauss x<x_o 时返回复数值.
我相信暴力破解每个整数会更容易n并找到最佳参数 sig,c,x_o每个n .
例如，如果您考虑 n = 0,1,2,...最多可能有 50 个，n 的选项很少。 ，而且蛮力实际上是一个不错的方法。
看你的数据，最好只考虑n作为 2 的倍数(除非您的其他数据看起来像 n 可能是一个奇数)。
此外，您可能应该为其他参数引入一些界限，就像拥有 sig>0 一样好。 ，您可以安全地设置 c>0 (也就是说，如果您的所有数据看起来都像您在问题中包含的最少数据)。
这是我所做的:

p0 = [1,1200,18] # initial guess for sig,c,x_o
bounds = ([0.01,100,10],[1000,2500,200]) # (lower,upper) bounds for sig,c,x_o
min_err = np.inf # error to minimize to find the best value for n

for n in range(0,41,2): # n = 0,2,4,6,...,40

    def gauss(x, sig, c, x_o, n=n):
        return c*np.exp(-(x-x_o)**n/(2*sig**n))
    
    popt,pcov = curve_fit(gauss, xdata, ydata, p0=p0, bounds=bounds)

    err = np.sqrt(np.diag(pcov)).sum()
    if err < min_err:
        min_err, best_n, best_popt, best_pcov = err, n, popt, pcov

print(min_error, best_n, best_popt, best_pcov, sep='\n')

import matplotlib.pyplot as plt
plt.plot(xdata,ydata)
plt.plot(xdata, gauss(xdata, *best_popt, n=best_n))
plt.show()

我收到 best_n = 10和 best_popt = [1.38, 1173.52, 18.02] .
这是结果图:(蓝线是数据，橙色线是高斯拟合)