我有一些看起来像这样的数据(X射线衍射):
我想在此数据集中加入Gaussian以获得“更宽”部分的FWHM。在7度θ左右的双峰不是重要的信息,来自不需要的来源。
为了让自己更清楚,我想要这样的东西(我在油漆中制作:)):
我尝试使用以下代码在python中编写脚本:
import math
from pylab import *
import numpy as np
import scipy as sp
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
data2=np.loadtxt('FWHM.spc')
x2,y2=data2[:,0],data2[:,7]
plt.title('Full Width Half Max of 002 Peak')
plt.plot(x2, y2, color='b')
plt.xlabel('$\\theta$', fontsize=10)
plt.ylabel('Intensity', fontsize=10)
plt.xlim([3,11])
plt.xticks(np.arange(3, 12, 1), fontsize=10)
plt.yticks(fontsize=10)
def func(x, a, x0, sigma):
return a*np.exp(-(x-x0)**2/(2*sigma**2))
mean = sum(x2*y2)/sum(y2)
sigma2 = sqrt(abs(sum((x2-mean)**2*y2)/sum(y2)))
popt, pcov = curve_fit(func, x2, y2, p0 = [1, mean, sigma2])
ym = func(x2, popt[0], popt[1], popt[2])
plt.plot(x2, ym, c='r', label='Best fit')
FWHM = round(2*np.sqrt(2*np.log(2))*popt[2],4)
axvspan(popt[1]-FWHM/2, popt[1]+FWHM/2, facecolor='g', alpha=0.3, label='FWHM = %s'%(FWHM))
plt.legend(fontsize=10)
plt.show()
我得到以下输出:
显然,这远远超出了预期。有没有人有一些提示我怎么能实现这个?
(我在这里附上了数据:https://justpaste.it/109qp)
答案 0 :(得分:13)
如OP评论中所述,在存在不需要的数据时约束信号的方法之一是将其与所需信号一起建模。当然,当存在可用于那些污染数据的有效模型时,此方法仅对有效。对于您提供的数据,可以考虑对以下组件求和的复合模型:
一旦您将合理的开始猜测传递给curve_fit
,所有四个组件(双峰值计数两次)可以同时拟合:
def composite_spectrum(x, # data
a, b, # linear baseline
a1, x01, sigma1, # 1st line
a2, x02, sigma2, # 2nd line
a3, x03, sigma3 ): # 3rd line
return (x*a + b + func(x, a1, x01, sigma1)
+ func(x, a2, x02, sigma2)
+ func(x, a3, x03, sigma3))
guess = [1, 200, 1000, 7, 0.05, 1000, 6.85, 0.05, 400, 7, 0.6]
popt, pcov = curve_fit(composite_spectrum, x2, y2, p0 = guess)
plt.plot(x2, composite_spectrum(x2, *popt), 'k', label='Total fit')
plt.plot(x2, func(x2, *popt[-3:])+x2*popt[0]+popt[1], c='r', label='Broad component')
FWHM = round(2*np.sqrt(2*np.log(2))*popt[10],4)
plt.axvspan(popt[9]-FWHM/2, popt[9]+FWHM/2, facecolor='g', alpha=0.3, label='FWHM = %s'%(FWHM))
plt.legend(fontsize=10)
plt.show()
如果无法正确建模不需要的信号源,可以按照Mad Physicist的建议屏蔽不需要的不连续性。对于最简单的情况,您甚至可以简单地屏蔽[6.5; 7.4]
区间内的eveything。