代码之家 › 专栏 › 技术社区 › najeem

基于后向依赖的scipy曲线拟合

curve-fitting scipy python

najeem · 技术社区 · 7 年前

即 _n个 =吨 +三角洲。

如果我用 example curve_fit . 会是类似的事情。

def func(x, a, b, c):
    return a * np.exp(-b * x) + c #+ func(x[n-1], a, b, c) <<< need help here

xdata = np.linspace(0, 4, 50)
y = func(xdata, 2.5, 1.3, 0.5)
np.random.seed(1729)
y_noise = 0.2 * np.random.normal(size=xdata.size)
ydata = y + y_noise
popt, pcov = curve_fit(func, xdata, ydata)
print(popt)
plt.plot(xdata, ydata, 'b-', label='data')
plt.plot(xdata, func(xdata, *popt), 'r-',
         label='fit: a=%5.3f, b=%5.3f, c=%5.3f' % tuple(popt))

1 回复 | 直到 7 年前

MB-F 7 年前

如果你有一个微分方程,你需要先找到积分,然后再把它与数据拟合。除非数据也是差分的,在这种情况下你可以只拟合。

delta 是由 a * np.exp(-b * x) + c curve_fit 通行证 全部的 func 希望它能回来 全部的

def delta_func(x, a, b, c):
    return a * np.exp(-b * x) + c

def func(x, a, b, c):
    y = np.empty(x.shape)
    y[0] = delta_func(0, a, b, c)
    for i in range(1, len(x)):
        y[i] = y[i-1] + delta_func(x[i], a, b, c)
    return y

这是为了说明。你可以用 np.cumsum :

def func(x, a, b, c):
    return np.cumsum(a * np.exp(-b * x) + c)

推荐文章

mmonti · 求解微分方程的solve_ivp问题取决于t_span

1 年前

user11634 · scipy depth_first_order的前身

1 年前

Ishigami · 在python scipy中使用fsolve和quad求解积分方程组

2 年前

bougab · 为什么我不能将我的模型准确地拟合到杨的干涉数据中?

2 年前

Linear Algebra fans · 为什么在使用FFT的乘积对1D阵列执行卷积时,值不同?

2 年前

mayen · Z-Score作为差异值的度量

2 年前

impedance_gatto · Scipy中的指数衰减拟合

2 年前

MaximeJaccon · 优化Odint

2 年前

MaaikevR · stats.ttest_ind:提取df值

2 年前

jlewk · scipy.linprog可行性的Bug?(A_ub@x0<=b_ub).all()为True,但--linprog(np.zeros_like(x0),A_ub=A_ub,b_ub=b_ub

2 年前