Numpy: найти значение, необходимое в одном уравнении, которое минимизирует ошибку - PullRequest
Новая
       111

Numpy: найти значение, необходимое в одном уравнении, которое минимизирует ошибку

0 голосов
/ 30 апреля 2020

заголовок не ясен, я надеюсь объяснить здесь лучше:

У меня есть два следующих массива, ep и sp с одинаковым измерением: 

ep = [0.00000000e+00, 4.29973987e-05, 1.77977219e-04, 3.08940223e-04, 4.44883670e-04, 5.84806153e-04, 7.28705999e-04, 8.77580573e-04, 1.03342551e-03, 1.19623754e-03, 1.36301748e-03, 1.53675860e-03, 1.72145026e-03. 1.91608833e-03]

sp = [336.17311024, 366.02001118, 427.4927458,  471.53403676, 503.53359236, 527.23879184, 544.98822976, 558.34153011, 568.29913137, 575.9109472, 581.00400657, 584.97104685, 587.14272582, 587.92832846]

Мне нужно получить массив sw по следующей формуле: 

sw = (np.amax(sp)/(ei**(ei+c))) * ((ep+ei)**(ei+c))

, где c - максимальное значение массива ep, а ei - это значение, которое минимизирует сумму следующего следующего уравнения (после итерации для каждого значения sp и sw): 

f = (sp - sw)**2

Есть идеи?

Спасибо!

1 Ответ

0 голосов
/ 30 апреля 2020

Как насчет этого? Вы уже описали свою функцию ошибки, поэтому можете использовать scipy.optimize.minimize для ее минимизации: 

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

ep = np.array([0.0000000e+00, 4.29973987e-05, 1.77977219e-04, 3.08940223e-04, 4.44883670e-04, 5.84806153e-04, 7.28705999e-04, 8.77580573e-04, 1.03342551e-03, 1.19623754e-03, 1.36301748e-03, 1.53675860e-03, 1.72145026e-03, 1.91608833e-03])

sp = np.array([336.17311024, 366.02001118, 427.4927458, 471.53403676, 503.53359236, 527.23879184, 544.98822976, 558.34153011, 568.29913137, 575.9109472, 581.00400657, 584.97104685, 587.14272582, 587.92832846])

def err(ei, c):
    sw = (sp/ei**(ei+c))*((ep+ei)**(ei+c))

    return np.sum((sp-sw)**2)

# do minimization
c = max(ep)
guess = [1.2]
res = minimize(err, guess, args=(c,), method='Nelder-Mead')
# get miniization result
ei, = res.x

# plot results
fig, ax = plt.subplots(ncols=2)
ax[0].plot(sp)
ax[0].plot((sp/ei**(ei+c))*((ep+ei)**(ei+c)))
ax[0].set_title('Function evaluation')

ax[1].plot((sp/ei**(ei+c))*((ep+ei)**(ei+c)) - sp, label='Minimized')
ei, = guess
ax[1].plot((sp/ei**(ei+c))*((ep+ei)**(ei+c)) - sp, label='Initial Guess')
ax[1].set_title('Difference')
ax[1].legend()

minimized fn

...