Как правильно выполнить подгонку (используя LMFIT) для модели, которая содержит не векторизованную функцию, такую ​​как определенный интеграл? - PullRequest
Новая
       87

Как правильно выполнить подгонку (используя LMFIT) для модели, которая содержит не векторизованную функцию, такую ​​как определенный интеграл?

0 голосов
/ 05 апреля 2020

Я хочу выполнить подгонку некоторых данных с помощью функции, которая содержит определенный интеграл, и один из пределов интегрирования также является независимой переменной, насколько это касается подбора. Я хотел бы знать, как конкретно это можно реализовать с помощью «lmfit». Рассмотрим следующий пример: 

import numpy as np 
import scipy.optimize
from scipy.optimize import curve_fit 
import matplotlib.pyplot as plt 
import scipy.integrate as integrate 
from lmfit import minimize, Parameters, report_fit

def integrand(x,amp,xc,w):
    return amp*np.exp((-(x-xc)**2)/w)

def curve(x0,amp,xc,w):
    res = integrate.quad(integrand, 0, x0, args=(amp,xc,w)) #x0 is the independent variable here
    return res[0]

vcurve = np.vectorize(curve, excluded=set([1]))
# vectorizing the output of the function which includes the integration step

# Generating the data with noise
xdata = np.linspace(0,10,20)
ydata = vcurve(xdata,1,5,1) + 0.1 * np.random.randn(len(xdata))

def residual(params, x, data):
    amp = params['amp']
    xc = params['xc']
    w = params['w']
    model = vcurve(xdata,amp,xc,w)
    return data-model


# defining the parameters and providing the initial values
params = Parameters()
params.add('amp', value=1,vary=True) 
params.add('xc', value=5,vary=True)
params.add('w', value=1,vary=True)

out = minimize(residual, params, args=(xdata, ydata))

Однако это приводит к ошибке: 

---> out = minimize(residual, params, args=(xdata, ydata))
... 
...
...               
TypeError: __array__() takes 1 positional argument but 2 were given

Похоже, что начальное значение параметров не читается правильно

Использование кривая scipy соответствует этому, я могу заставить это работать следующим образом: 

popt, pcov = curve_fit(vcurve, xdata, ydata, p0=[2,2,2])

fig, ax = plt.subplots(1,1)
ax.plot(xdata,ydata,label='Observed',ls='',marker='o')    

#Plotting the best fit
xx = np.linspace(0,10,50)
ax.plot(xx,vcurve(xx,popt[0],popt[1],popt[2]),label='Best Fit') 
ax.legend()

print(popt)

Это дает мне разумные значения параметров наилучшего соответствия. Будем благодарны за любые предложения о том, как сделать эту работу с lmfit

1 Ответ

0 голосов
/ 05 апреля 2020

Вам необходимо распаковать params в вашей функции residual и вызвать vcurve с правильными аргументами - значения параметров не являются объектами параметров: 

def residual(params, x, data):
    amp = params['amp'].value
    xc = params['xc'].value
    w = params['w'].value
    model = vcurve(xdata,amp,xc,w)
    return data-model
...