使用lmfit模型最适合多个峰数据

时间:2019-03-23 21:56:19

标签: python lmfit

import matplotlib.pyplot as plt
import numpy as np
from lmfit import Model
x=np.array([4698.031, 4698.027, 4698.024, 4698.021, 4698.017, 4698.014,4698.011, 4698.007, 4698.004, 4698.001, 4697.997, 4697.994, 4697.991, 4697.987, 4697.984, 4697.981, 4697.977, 4697.974, 4697.971, 4697.967, 4697.964, 4697.961, 4697.957, 4697.954, 4697.951, 4697.947, 4697.944, 4697.941, 4697.937, 4697.934, 4697.931, 4697.927, 4697.924, 4697.921, 4697.917])
y=np.array([0.56565, 0.586575, 0.70335, 0.991245, 1.447545, 4.944375, 11.97281, 18.22095, 19.7613, 17.13792, 13.35083, 10.26506, 7.898505, 5.084775, 2.4192, 1.34358, 0.829905, 1.31322, 3.2049, 4.0095, 2.83263, 1.51605, 0.643275, 0.48972, 0.432675, 0.084375, 0.135345, 0.362145, 0.34425, 0.307125, 0.469125, 0.297, 0.183255, 0.528855, 0.523125])
gmodel = Model(gaussian, prefix='p1_') + Model(gaussian, prefix='p2_')
params = gmodel.make_params(p1_amp=0.1, p1_cen=4697.97, p1_wid=0.005, p2_amp=0.5, p2_cen=4698.00, p2_wid=0.005)


params['p1_cen'].min = x.min()
params['p1_cen'].max = 4697.98
params['p2_cen'].min = 4697.98
params['p2_cen'].max = x.max()

result = gmodel.fit(y, params, x=x)

更新的程序 几个问题

  1. 运行程序时,它给我一个错误。 追溯(最近一次通话结束):

文件“”,第7行,在     gmodel = Model(高斯,前缀='p1_')+ Model(高斯,前缀='p2 _')

NameError:名称'gaussian'未定义

我为此添加了from lmfit.lineshapes import gaussian,并且可以使用。

是对还是错?

  1. 添加库/程序包后,程序说 追溯(最近一次通话结束):

文件“”,第9行,在     params ['p1 _']。min = x.min()

KeyError:'p1_cen'

帮我解决这个问题。

  1. 删除params后,程序运行无任何错误,但是我该怎么做才能显示给定数据最适合数据 。我只是对给定的数据进行了plt.plot(x,y)操作,却不知道该如何处理最适合的数据.....

1 个答案:

答案 0 :(得分:0)

您需要给出更好的开始猜测。您的数据x的范围从4697.8到4698.0,但是您对cen的初步猜测是1.0,远远超出了数据范围。将数据的初始值更改为更明智的值。

更新以解决如何拟合两个峰的问题:

要拟合2个峰,您可以创建一个复合模型,就像

gmodel = Model(gaussian, prefix='p1_') + Model(gaussian, prefix='p2_')

result  = gmodel.fit(y, x=x, p1_amp=0.1, p1_cen=4697.97, p1_wid=0.005,
                     p2_amp=0.5, p2_cen=4698.00, p2_wid=0.005)

这将创建一个模型,该模型将两个高斯加在一起,并为一个模型的参数名称提供前缀p1_,为另一个模型的参数名称提供前缀p2_。然后,在进行拟合时,您可以为每个参数提供初始值。

通常建议为每个模型创建一个lmfit.Parameters的实例,因为这允许您进一步操纵参数设置,例如设置上限和下限。对于这种模型,确保峰不会重叠得太紧密或重叠可能会有所帮助。您可以这样做:

gmodel = Model(gaussian, prefix='p1_') + Model(gaussian, prefix='p2_')

params = gmodel.make_params(p1_amp=0.1, p1_cen=4697.97, p1_wid=0.005,
                            p2_amp=0.5, p2_cen=4698.00, p2_wid=0.005)
params['p1_cen'].min = x.min()
params['p1_cen'].max = 4697.98
params['p2_cen'].min = 4697.98
params['p2_cen'].max = x.max()

result = gmodel.fit(y, params, x=x)

为每个模型的min参数设置max / cen值,以便它们不能交换。