我正在尝试将复杂的气相色谱信号解卷为单独的高斯信号。以下是一个示例,其中虚线表示我要解卷的信号。
我已经使用scipy.optimize.curve_fit编写了代码来完成此操作;然而,一旦应用于真实数据,结果就不可靠。我相信能够设置参数范围将改善我的结果,因此我正在尝试使用lmfit。我遇到了一个问题,即如何处理具有可变数量参数的情况。我在这里找到了一些提示,但仍然无法解决问题...
创建具有任意数量参数的Python lmfit模型
以下是我目前正在使用的代码。代码可以运行,但模型拟合时参数估计值不会改变。有人知道如何使我的模型工作吗?
![enter image description here](https://istack.dev59.com/mbVLQ.webp)
import numpy as np
from collections import OrderedDict
from scipy.stats import norm
from lmfit import Parameters, Model
def add_peaks(x_range, *pars):
y = np.zeros(len(x_range))
for i in np.arange(0, len(pars), 3):
curve = norm.pdf(x_range, pars[i], pars[i+1]) * pars[i+2]
y = y + curve
return(y)
# generate some fake data
x_range = np.linspace(0, 100, 1000)
peaks = [50., 40., 60.]
a = norm.pdf(x_range, peaks[0], 5) * 2
b = norm.pdf(x_range, peaks[1], 1) * 0.1
c = norm.pdf(x_range, peaks[2], 1) * 0.1
fake = a + b + c
param_dict = OrderedDict()
for i in range(0, len(peaks)):
param_dict['pk' + str(i)] = peaks[i]
param_dict['wid' + str(i)] = 1.
param_dict['mult' + str(i)] = 1.
# In case, you'd like to see the plot of fake data
#y = add_peaks(x_range, *param_dict.values())
#plt.plot(x_range, y)
#plt.show()
# Initialize the model and fit
pmodel = Model(add_peaks)
params = pmodel.make_params()
for i in param_dict.keys():
params.add(i, value=param_dict[i])
result = pmodel.fit(fake, params=params, x_range=x_range)
print(result.fit_report())