我使用Python lmfit
与2005-2016的月平均数据进行最小二乘拟合。我构建了如下函数:
equation
原始代码如下所示:
# t is in fractional years, e.g. 2017+122./365.
def fun(t, a, b, c, A1, A2, A3, A4, B1, B2, B3, B4):
An=[A1,A2,A3,A4]
Bn=[B1,B2,B3,B4]
sum=np.sum([An[i] * np.sin(2 * np.pi * (i + 1) * t+Bn[i]) for i in range(len(An))])
return a+b*t+c*t*t+sum
mod = Model(fun)
pars = mod.make_params(a=-10, b=0.003, c=0.01, A1=-1., A2=1., A3=1., A4=1., B1=-1., B2=1., B3=1., B4=1.)
result = mod.fit(y, pars, t=t)
print(result.fit_report())
plt.plot(t, y, 'bo')
plt.plot(t, result.best_fit, 'r-')
plt.show()
fitted line and the original data dots
傅立叶的术语似乎没有用。因此,我很好奇如何对A1
,A2
,A3
等函数参数进行合适的初始估计?
答案 0 :(得分:2)
np.sum
没有做你想做的事。它会将表达式求和为单个标量值,而不是与t
长度相同的数组。然后,该标量值会将您的参数A1
,... B4
折叠到单个值上,而拟合将无法确定这些值。
我认为你想制作一个形状的二维数组(4,len(t)
),然后只对第一个维度求和,留下一个len(t)
数组,它是4个傅立叶分量的总和
尝试更换
sum=np.sum([An[i]*np.sin(2*np.pi*(i+1)*t+Bn[i]) for i in range(len(An))])
与
sum=np.array([An[i]*np.sin(2*np.pi*(i+1)*t+Bn[i]) for i in range(len(An))]).sum(axis=0)