python 拟合曲线并求参

标签：自己的   img   numpy   sqrt   定义   lower   散点图   ima   混合高斯   

需要对数据进行函数拟合，首先画一下二维散点图，目测一下大概的分布，

所谓正态分布，就是高斯分布，正态曲线是一种特殊的高斯曲线。

python的scipy.optimize包里的curve_fit函数来拟合曲线，当然还可以拟合很多类型的曲线。scipy.optimize提供了函数最小值(标量或多维)、曲线拟合和寻找等式的根的有用算法。

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
import math
#单个高斯模型，如果曲线有多个波峰，可以分段拟合

def func(x, a,u, sig):
    return a*np.exp(-(x - u) ** 2 / (2 * sig ** 2)) / (sig * math.sqrt(2 * math.pi))
#混合高斯模型，多个高斯函数相加

def func3(x, a1, a2, a3, m1, m2, m3, s1, s2, s3):
    return a1 * np.exp(-((x - m1) / s1) ** 2) + a2 * np.exp(-((x - m2) / s2) ** 2) + a3 * np.exp(-((x - m3) / s3) ** 2)

#正弦函数拟合

#def fmax(x,a,b,c):
#    return a*np.sin(x*np.pi/6+b)+c
#fita,fitb=optimize.curve_fit(fmax,x,ymax,[1,1,1])
#非线性最小二乘法拟合
#def func(x, a, b,c):
#    return a*np.sqrt(x)*(b*np.square(x)+c)
#用3次多项式拟合，可推广到n次多项式，数学上可以证明，任意函数都可以表示为多项式形式
#f1 = np.polyfit(x, y, 3)
#p1 = np.poly1d(f1)
#yvals = p1(x)  #拟合y值
#也可使用yvals=np.polyval(f1, x)

拟合，并对参数进行限制，bounds里面代表参数上下限，p0是初始范围，默认是[1,1,1]

x=np.arange(1,206,1)

num = []<-自己的y值

numhunt = []<-自己的y值

y = np.array(num)

yhunt = np.array(numhunt)

popt, pcov = curve_fit(func3, x, y)

popthunt, pcovhunt = curve_fit(func, x, yhunt,p0=[2,2,2]) 

ahunt = popthunt[0]
uhunt = popthunt[1]
sighunt = popthunt[2]

a1 = popt[0]
u1 = popt[1]
sig1 = popt[2]
a2 = popt[3]
u2 = popt[4]
sig2 = popt[5]
a3 = popt[6]
u3 = popt[7]
sig3 = popt[8]

yvals = func3(x,a1,u1,sig1,a2,u2,sig2,a3,u3,sig3) #拟合y值
yhuntvals = func(x,ahunt,uhunt,sighunt) #拟合y值

print(u‘系数ahunt:‘, ahunt)
print(u‘系数uhunt:‘, uhunt)
print(u‘系数sighunt:‘, sighunt)

#绘图
plot1 = plt.plot(x, y, ‘s‘,label=‘insect original values‘)
plot2 = plt.plot(x, yvals, ‘r‘,label=‘insect polyfit values‘)
plot3 = plt.plot(x, yhunt, ‘s‘,label=‘predator original values‘)
plot4 = plt.plot(x, yhuntvals, ‘g‘,label=‘predator polyfit values‘)

plt.xlabel(‘date‘)
plt.ylabel(‘Nightly catches log10(N+1)‘)
plt.legend(loc=4) #指定legend的位置右下角
plt.title(‘insect/predator‘)
plt.show()

下图是单个和多个高斯拟合图像

下图是多项式拟合图像

图例的位置可以自定义设置

lower left
upper center
lower right
center
upper left
center left
upper right
lower center
best
center right
right

python 拟合曲线并求参

标签：自己的   img   numpy   sqrt   定义   lower   散点图   ima   混合高斯   

原文地址：https://www.cnblogs.com/marszhw/p/10962877.html