我尝试将具有多指数功能的3d矩阵拟合为
S(w1,w2,T)= sum(A_i(w1,w2)* exp(-T / tau_i))
为了减少拟合时间,我将其分为两个步骤。
仅以寿命(tau_i)为参数定义目标函数,同时将最小拟合嵌入到代码中所示的目标函数中。
问题是“当我最小化目标函数时,参数不会改变吗?”
#data, is 3d matrix, data[k,i,j]
ltn = 4
#build the amplifer fitting model
def fit_2ddas_amp(params, dat, dec):
model_amp = np.zeros(len(waitT),np.float)
for k in range(ltn):
model_amp = model_amp + params['amp_%i'%(k)] * np.exp(-waitT/dec[k])
resid_amp = dat - model_amp
return resid_amp
#build the decay time fitting model
def fit_2ddas_decay(par_decay):
decay_fit = np.zeros(ltn,np.float)
for i in range(ltn):
decay_fit[i] = par_decay['decay_%i'%(i)]
print('Decay', str(i+1), ':', '%.6f'%(decay_fit[i]), 'ps' )
resid = np.zeros_like(data)
#do the amplifier fitting
for i in range(len(wt)):
for j in range(len(wtau)):
#create initial value of amplifier
par_amp = Parameters()
for k in range(ltn):
par_amp.add('amp_%i'%(k), value = 2 )
#do the amplifer fit
minner_amp = Minimizer(fit_2ddas_amp, par_amp, fcn_args=(data[:,i,j], decay_fit), nan_policy='propagate')
result_amp = minner_amp.minimize(method='least_squares')
resid[:,i,j] = result_amp.residual
return resid.flatten()
#create parameters of decay
par_2ddas_decay = Parameters()
for i in range(ltn):
par_2ddas_decay.add('decay_%i'%(i), value = 2, min = 0.0)
#do the decay time fit
minner_decay = Minimizer(fit_2ddas_decay, par_2ddas_decay, nan_policy='propagate')
result_decay = minner_decay.minimize()
the decay time always the same.
Decay 1 : 2.000000 ps
Decay 2 : 2.000000 ps
Decay 3 : 2.000000 ps
Decay 4 : 2.000000 ps
Decay 1 : 2.000000 ps
Decay 2 : 2.000000 ps
Decay 3 : 2.000000 ps
Decay 4 : 2.000000 ps
Decay 1 : 2.000000 ps
Decay 2 : 2.000000 ps
Decay 3 : 2.000000 ps
Decay 4 : 2.000000 ps
答案 0 :(得分:0)
好吧,您真正显示的是decay
参数不会更改为6位有效数字。拟合完成后,首先将参数值更改很小的量(如1.e-7),以生成偏导数或雅可比矩阵。因此,打印“仅”六位数可能不会显示所做的更改。
您没有提供完整的脚本或完整的输出。不知道data
(和其他变量)是什么,很难猜测会发生什么。
在fit函数本身内内部做很多拟合(len(wt)*len(wtau)
,无论是什么)当然很奇怪,但是也许这实际上是您想要做的-我无法告诉您您要完成的任务。