我有N
个2D数据序列(x,y)
,我正在尝试将其纳入逻辑函数y(x)=L/(1+a exp(b*(x-c)))
的模型中。但是,我想对a,b,c
施加约束。通常,如果我想限制它们的值,可以使用lmfit
中的参数来完成。这次我希望a/b
的比率是恒定的(误差为0.01)。是否有任何方法可以拟合所有N
序列,从而使比率a_i/b_i
之间的差异最小化?
答案 0 :(得分:0)
使用示例代码显示您正在尝试做的事情总是有帮助的。另外,尚不清楚对于所有N个数据集,a_i/b_i
是否应为相同的常数-假设它应该为常数。
在这种情况下,定义这样的参数可能就足够了:
import numpy as np
from lmfit import Parameters, Model
def logistic(x, amp, a, b, c):
return amp / (1 + a*np.exp(b*(x-c)))
params = Parameters()
params.add('b2a_scale' value=1, vary=True) # ?
N = 5
model = Model(logistic, prefix='p1_')
for i in range(1, N+1):
params.add('p%d_amp' % i, value=1, min=0)
params.add('p%d_c' % i, value=1)
params.add('p%d_b' % i, value=5)
params.add('p%d_a' % i, expr='p%d_b * b2a_scale' % i)
if model > 1:
model += Model(logistic, prefix='p%d_' % i)
我不确定这是否正是您要寻找的东西,但也许会有助于指出正确的方向。