Question

我使用最小二乘最小化以适应大量参数，但是，结果并不令人惊讶，我认为这可能是由于最小化。实际上，当我修改初始化术语时，结果是不同的......

我第一次尝试使用命令＆＃34; xtol＆＃34;来调整参数的初始值。它指定了近似解中所需的误差，但结果并不是更好，所以我想知道是否可以为每个参数指定边界。最后一个解决方案可能更准确吗？

此外，我需要拟合的术语是一系列的参数，或许有一种解决这个问题的最佳方法，而不是通过编写2个命令...

def residual_V2will2(vars, XA, YA, x0, y0, A2, donnees):
    aI = vars[0]
    aII = vars[1]
    modeleV2 = ma.masked_invalid(np.sqrt((XA-x0)**2 + (YA-y0)**2)**(1/2)*aI/(2*G)*((Kappa - 1/2. + \
    1)*np.sin(np.arctan(((YA-y0)/(XA-x0)))/2) + \
    1/2.*np.sin(np.arctan(((YA-y0)/(XA-x0)))*(-3/2.))) + np.sqrt((XA-x0)**2 + \
    (YA-y0)**2)*aII/(2*G)*((Kappa - 2)*np.sin(np.arctan(((YA-y0)/(XA-x0)))) + \
    np.sin(np.arctan(((YA-y0)/(XA-x0)))*(-1))) + A2) 
    return (donnees-modeleV2)

from scipy.optimize import leastsq
vars = [KI, A2, x0, y0]
out_V_west = sco.leastsq(residual_V2west, vars, args=(XAvect, YAvect, Vmvect))
print out_V_west

所以如果我跟着你，我必须有类似的东西：

def residual_V2west(vars, XA, YA, donnees):
    KI = vars[0]
    A2 = vars[1]
    x0 = vars[2]
    y0 = vars[3]
    modeleV2 =  ...
    penalization = abs(2.-modeleV2)*10000
    return (donnees-modeleV2 - penalization)

但似乎没有好转:(虽然我尝试玩惩罚的价值......

最小化最小化界限

0 个答案: