Ошибка деления на ноль в scipy.optimize.curvefit - PullRequest
Новая
       33

Ошибка деления на ноль в scipy.optimize.curvefit

0 голосов
/ 12 октября 2018

Я пытаюсь согласовать три кривые эволюции времени с двумя константами скорости, k1 и k2.Система уравнений, которую я пытаюсь решить: 

A_t = A_0 * exp(-k1*t)
B_t = [A_0 * k1/(k2-k1)]* exp(-k1*t) - [A_0*(k1/(k2-k1)-B_0] * exp(-k2*t)
C_t = [A_0 * -k2/(k2-k1) ]* exp(-k1*t) + [A_0*(k1/(k2-k1)-B_0] * exp(-k2*t) + A_0 + B_0

, где я хочу, чтобы наилучшие значения k1 и k2 соответствовали моим значениям данных A, B и C, где A_tetc - текущая популяция A во время t, A_0=0.4 и B_0=0.6.

. Чтобы решить эту проблему, я использую функцию scipy.optimize.curve_fit , в которой я настроилуравнения в виде матриц u и w.Далее я вручную ввел A_0=0.4 и B_0=0.6 в функцию (которая относится ко второй части моего вопроса внизу): 

def func(t,k1,k2):

    u = np.array([[0.4,0,0],
                  [0.4*k1/(k2-k1),-0.4*(k1/(k2-k1))+0.6,0],
                  [0.4*(-k2/(k2-k1)),0.4*k1/(k2-k1)-0.6,1]])


    w = np.array([np.exp(-t*k1),
                  np.exp(-t*k2),
                  np.ones_like(t)])

    return np.dot(u,w).flatten()

Чтобы решить для некоторых test данныхЯ создаю набор тестов, в котором я устанавливаю k1=0.03 и k2=0.003: 

t=np.arange(1000)*0.5
test=func(t,0.03,0.004).reshape((3,1000))
test+=np.random.normal(size=test.shape)*0.01

, что дает следующий график:

График теста

Когда я пытаюсь соответствовать значениям k1 и k2, я получаю следующую ошибку: 

popt,popc=optimize.curve_fit(func,t,test.flatten(),method='lm')

/ usr / local / lib / python3.6 / site-packages / ipykernel_launcher.py: 4: RuntimeWarning: деление на ноль, встречающееся в double_scalars после удаления cwd из sys.path./usr/local/lib/python3.6/site-packages/ipykernel_launcher.py:5: RuntimeWarning: деление на ноль, встречающееся в double_scalars "" "/usr/local/lib/python3.6/site-packages/scipy/optimize/minpack.py:785: OptimizeWarning: ковариация параметров не может быть оценена, категория = OptimizeWarning)

Я понимаю, что где-то здесь есть ошибка деления на ноль, но я не уверен, где онаэто или как решить. Итак, мои вопросы:

  1. Как решить эту ошибку в функции curve_fit?
  2. Есть ли способ передать A_0 и B_0 в optimize.curve_fit, вместо того, чтобы вручную вводить концентрации, как я делал выше? Насколько я понимаю, только функция t и неизвестные k1 и k2 могут быть переданы в функцию?

Спасибо за любую помощь, которая может быть оказана

1 Ответ

0 голосов
/ 15 октября 2018

В комментариях приведен пример использования модуля генетического алгоритма scipy diff_evolution для оценки начальных параметров.Этот модуль использует алгоритм Латинского гиперкуба для обеспечения тщательного поиска пространства параметров, и для этого алгоритма требуются границы, в которых осуществляется поиск.В этом примере эти границы взяты из данных минимальных и максимальных значений.Подгонка завершается вызовом curve_fit () без прохождения границ из поиска генетического алгоритма, в случае, если лучшие параметры находятся за этими границами. 

import numpy, scipy, matplotlib
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
from scipy.optimize import differential_evolution
import warnings

xData = numpy.array([19.1647, 18.0189, 16.9550, 15.7683, 14.7044, 13.6269, 12.6040, 11.4309, 10.2987, 9.23465, 8.18440, 7.89789, 7.62498, 7.36571, 7.01106, 6.71094, 6.46548, 6.27436, 6.16543, 6.05569, 5.91904, 5.78247, 5.53661, 4.85425, 4.29468, 3.74888, 3.16206, 2.58882, 1.93371, 1.52426, 1.14211, 0.719035, 0.377708, 0.0226971, -0.223181, -0.537231, -0.878491, -1.27484, -1.45266, -1.57583, -1.61717])
yData = numpy.array([0.644557, 0.641059, 0.637555, 0.634059, 0.634135, 0.631825, 0.631899, 0.627209, 0.622516, 0.617818, 0.616103, 0.613736, 0.610175, 0.606613, 0.605445, 0.603676, 0.604887, 0.600127, 0.604909, 0.588207, 0.581056, 0.576292, 0.566761, 0.555472, 0.545367, 0.538842, 0.529336, 0.518635, 0.506747, 0.499018, 0.491885, 0.484754, 0.475230, 0.464514, 0.454387, 0.444861, 0.437128, 0.415076, 0.401363, 0.390034, 0.378698])


def func(t, n_0, L, offset): #exponential curve fitting function
    return n_0*numpy.exp(-L*t) + offset


# function for genetic algorithm to minimize (sum of squared error)
def sumOfSquaredError(parameterTuple):
    warnings.filterwarnings("ignore") # do not print warnings by genetic algorithm
    val = func(xData, *parameterTuple)
    return numpy.sum((yData - val) ** 2.0)


def generate_Initial_Parameters():
    # min and max used for bounds
    maxX = max(xData)
    minX = min(xData)
    maxY = max(yData)
    minY = min(yData)

    parameterBounds = []
    parameterBounds.append([minX, maxX]) # seach bounds for n_0
    parameterBounds.append([minX, maxX]) # seach bounds for L
    parameterBounds.append([0.0, maxY]) # seach bounds for Offset

    # "seed" the numpy random number generator for repeatable results
    result = differential_evolution(sumOfSquaredError, parameterBounds, seed=3)
    return result.x

# by default, differential_evolution completes by calling curve_fit() using parameter bounds
geneticParameters = generate_Initial_Parameters()

# now call curve_fit without passing bounds from the genetic algorithm,
# just in case the best fit parameters are aoutside those bounds
fittedParameters, pcov = curve_fit(func, xData, yData, geneticParameters)
print('Fitted parameters:', fittedParameters)
print()

modelPredictions = func(xData, *fittedParameters) 

absError = modelPredictions - yData

SE = numpy.square(absError) # squared errors
MSE = numpy.mean(SE) # mean squared errors
RMSE = numpy.sqrt(MSE) # Root Mean Squared Error, RMSE
Rsquared = 1.0 - (numpy.var(absError) / numpy.var(yData))

print()
print('RMSE:', RMSE)
print('R-squared:', Rsquared)

print()


##########################################################
# graphics output section
def ModelAndScatterPlot(graphWidth, graphHeight):
    f = plt.figure(figsize=(graphWidth/100.0, graphHeight/100.0), dpi=100)
    axes = f.add_subplot(111)

    # first the raw data as a scatter plot
    axes.plot(xData, yData,  'D')

    # create data for the fitted equation plot
    xModel = numpy.linspace(min(xData), max(xData))
    yModel = func(xModel, *fittedParameters)

    # now the model as a line plot
    axes.plot(xModel, yModel)

    axes.set_xlabel('X Data') # X axis data label
    axes.set_ylabel('Y Data') # Y axis data label

    plt.show()
    plt.close('all') # clean up after using pyplot

graphWidth = 800
graphHeight = 600
ModelAndScatterPlot(graphWidth, graphHeight)
...