Question

我有两个功能和一组数据。两个函数具有相同的x数据和相同的参数。我想通过最小二乘法获得参数，使我的数据最合适。

参数是：ex，ey，ez。

X数据是：RA，DE（如3000点）。

Y数据是：dRA，dDE。

我试过了，但我得到了一个错误的解决方案：

def residuals(p, dRA, dDE, RA, DEC):
    ex,ey,ez = p
    f1 = dRA-(ex*sin(DEC)*cos(RA)+ey*sin(DEC)*sin(RA)-ez*cos(DEC))
    f2 = dDE-(-ex*sin(RA)+ey*cos(RA))
    err = np.concatenate((f1,f2))
    return err

from scipy.optimize import leastsq
p0 = [0, 0., 0.]
plsq_coord = leastsq(residuals, p0, args=(dRA, dDE, RA, DE))
print plsq_coord[0]

任何形式的帮助都会非常受欢迎

Answer 1

如此测试代码

所示

import numpy as np, numpy.random,scipy.optimize
def residuals(p, dRA, dDE, RA, DEC):
    ex,ey,ez = p
    f1 = dRA-(ex*np.sin(DEC)*np.cos(RA)+ey*np.sin(DEC)*np.sin(RA)-ez*np.cos(DEC))
    f2 = dDE-(-ex*np.sin(RA)+ey*np.cos(RA))
    err = np.concatenate((f1,f2))
    return err    
ex, ey, ez = 0.2, 0.3, 0.4
N = 100
err = 1e-3
ra, dec = np.random.uniform(0,1,N), np.random.uniform(0,.5,N)
dra = (ex*np.sin(dec)*np.cos(ra)+ey*np.sin(dec)*np.sin(ra)-ez*np.cos(dec))+np.random.normal(size=N)*err
ddec = (-ex*np.sin(ra)+ey*np.cos(ra))+np.random.normal(size=N)*err
print scipy.optimize.leastsq(residuals, p0, args=(dra, ddec, ra, dec))

你的代码应该可以正常工作，除非你的函数写得不正确（例如你的ra，dec是度数，而不是弧度），或者你在数据集中有一些不好的数据点，这使得chisq适合。

使用optimize.leastsq（）（Python）的一组方程中的最小二乘法

1 个答案: