问题如下:
>>> (-2)**1.1
(-2.0386342710747223-0.6623924280875919j)
>>> np.array(-2)**1.1
__main__:1: RuntimeWarning: invalid value encountered in power
nan
与Python原生浮点数不同,NumPy双精度浮点数通常不参与导致复杂结果的运算:
>>> np.sqrt(-1)
__main__:1: RuntimeWarning: invalid value encountered in sqrt
nan
作为一个快速的解决办法,我建议在您的函数中添加一个
np.abs
调用,并使用适当的拟合边界,以确保这不会给出虚假的拟合。如果您的模型接近真实情况并且您的样本(我指的是您的样本中的余弦值)是正的,则在其周围添加绝对值应该是无操作的(更新:我意识到这从来不是这种情况,请参见下面的正确方法)。
def f(x, Amp, n, b):
return Amp*(np.abs(np.cos(x)))**n + b
通过这个小改变,我得到了这个:
![result is fine](https://istack.dev59.com/WEQEr.webp)
作为参考,拟合的参数为(4.96482314, 2.03690954, 5.03709923])
,与生成的(5,2,5)
进行比较。
经过一番思考后,我意识到余弦函数对于你定义域的一半会
永远是负数(呵呵)。因此,我建议的解决方法可能有些问题,或者至少它的正确性并不显然。另一方面,如果原公式包含
cos(x)^n
且
cos(x)
的值为负,则只有整数
n
才能使其成为一个合理的模型,否则会得到一个复杂结果。既然我们不能解决
Diophantine拟合问题,我们需要妥善处理这个问题。
最适当的方法(我指的是最不可能导致数据偏差的方法)是:首先用将数据转换为复数的模型进行拟合,然后输出复杂振幅:
def f(x, Amp, n, b):
return Amp*np.abs(np.cos(x.astype(np.complex128))**n) + b
这显然比我的解决方法效率低得多,因为在每个拟合步骤中,我们都会创建一个新的网格,并进行一些额外的工作,包括复杂的算术运算和额外的幅度计算。即使没有设置边界,这也会给我带来以下适合:
![improved answer, first part](https://istack.dev59.com/qWZPL.webp)
参数为
(5.02849409, 1.97655728, 4.96529108)
。这些值很接近。然而,如果我们将这些值放回实际模型(不使用
np.abs
),我们得到的虚部最大可达
-0.37
,这虽然不是很高但也很显著。
因此,第二步应该重新使用适当的模型进行拟合——一个具有整数指数的模型。从您的拟合结果中可以明显看出指数为2,因此使用该模型进行新的拟合。我认为没有其他方法能给出一个数学上正确的结果。您也可以从原始的
popt
开始,希望它确实接近真实值。当然,我们可以使用一些柯里化技巧使用原始函数,但使用专门针对双精度的模型会更快。
from __future__ import print_function
import numpy as np
from scipy.optimize import curve_fit
from matplotlib.pyplot import subplots, show
def f_aux(x, Amp, n, b):
return Amp*np.abs(np.cos(x.astype(np.complex128))**n) + b
def f_real(x, Amp, n, b):
return Amp*np.cos(x)**n + b
x = np.arange(0, 2*np.pi, 0.01)
randomPart = np.random.rand(len(x)) - 0.5
sample = f(x, 5, 2, 5) + randomPart
fig,(frame_aux,frame) = subplots(ncols=2)
for fr in frame_aux,frame:
fr.plot(x, sample, label="Sample measurements")
fr.legend()
fr.set_xlabel("x")
fr.set_ylabel("y")
popt_aux, pcov_aux = curve_fit(f_aux, x, sample, p0=(1,1,1))
modeldata = f(x, *popt_aux)
print('Auxiliary fit parameters: {}'.format(popt_aux))
frame_aux.plot(x, modeldata, label="Auxiliary fit")
n = np.round(popt_aux[1])
popt, pcov = curve_fit(lambda x,Amp,b,n=n: f_real(x,Amp,n,b), x, sample, p0=(popt_aux[0],popt_aux[2]))
modeldata = f(x, popt[0], n, popt[1])
print('Final fit parameters: {}'.format([popt[0],n,popt[1]]))
frame.plot(x, modeldata, label="Best fit")
frame_aux.legend()
frame.legend()
show()
请注意,我在您的代码中更改了一些东西,但这并不影响我的观点。上面的图表显示了辅助拟合和正确拟合两者的图形:
![final fig](https://istack.dev59.com/q5ioe.webp)
输出:
Auxiliary fit parameters: [ 5.02628994 2.00886409 5.00652371]
Final fit parameters: [5.0288141074549699, 2.0, 5.0009730316739462]
再次强调:虽然辅助适配和正确适配可能在视觉上没有区别,但只有后者才能给出有意义的答案解决您的问题。