Скупая синусоидальная посадка имеет неправильное смещение - PullRequest
Новая
       71

Скупая синусоидальная посадка имеет неправильное смещение

0 голосов
/ 23 сентября 2019

Допустим, у меня есть следующие данные 

data = np.array([0.405, 0.120, 0.093, 0.193, 0.513, 0.780, 0.980, 0.911, 0.681])

, полученные из эксперимента в следующие моменты времени 

time = np.array([0, 0.35, 0.7, 1.05, 1.4, 1.75, 2.1, 2.45, 2.8])

Я хочу подогнать их в Python 3.7 с в квадратефункция sine , использующая функцию curve_fit из scipy.optimize: 

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

function = lambda t, f: np.sin(f * t) ** 2

Меня интересует только частота функции, поэтому у меня есть только один параметр(вместе с т).Ожидается, что амплитуда будет от 0 до 1. Я выполнил подгонку следующим образом 

p, c = curve_fit(function, time, data)
plt.figure()
plt.scatter(time, data)
plt.plot(time, function(time, p))

, получив график: Fit_and_data

Однако, как вы можете видеть изНа картинке подгонка начинается в точке (0,0), поэтому не напоминает данные.Установленная частота действительно сильно отличается от ожидаемой.

Я хотел бы найти способ, чтобы согласование началось вокруг первой точки данных, а не всегда в начале координат.Это возможно?

Я также знаю, что curve_fit принимает также предположение для подгоночных параметров, но я не понимаю, как это может изменить мои результаты.Спасибо

Ответы [ 2 ]

1 голос
/ 23 сентября 2019

С помощью следующего графического установщика Python, использующего ваши данные и уравнение sinc, я получаю период 3,072.

plot

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

xData = numpy.array([0.0, 0.35, 0.7, 1.05, 1.4, 1.75, 2.1, 2.45, 2.8])
yData = numpy.array([0.405, 0.120, 0.093, 0.193, 0.513, 0.780, 0.980, 0.911, 0.681])


def func(t, center, width):
    return numpy.sin(numpy.pi * (t - center) / width) ** 2.0


initialParameters = numpy.array([max(xData)/2.0, max(xData)])

# curve fit the test data
fittedParameters, pcov = curve_fit(func, xData, yData, initialParameters)

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('Parameters:', fittedParameters)
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)
0 голосов
/ 23 сентября 2019

Ну sin(f*t), когда t=0 будет равно 0, несмотря ни на что.Я ожидаю, что вы хотите 

function = lambda t, f: np.sin(t + f) ** 2

, который даст sine curve

?

...