lmfit

    0熱度

    1回答

    我正在嘗試使用LMFIT庫進行多洛倫茲擬合,但它不工作,我甚至明白我所做的是完全錯誤的語法,但我沒有任何新的想法。 我的問題是這樣的:我有一個很長的光譜,有多組 峯,但是這些組中峯的數目並不是恆定的,所以有時候我只會有1個峯,但有時我可能有8個峯 甚至20 #function definition: def Lorentzian(x, amp, cen, wid, n): f = 0

    0熱度

    2回答

    我正在使用python lmfit模塊來擬合多個高斯。我想要的是將一個參數加到另一個谷值數學表達式中,例如: def gaussian(x,a1,c1,w1,a2,w2,c2): g1=a1*np.exp(-(x-c1)**2/(2*w1**2)) g2=a2*np.exp(-(x-c2)**2/(2*w2**2)) return g1+g2 gmodel=

    1熱度

    1回答

    我想用curve_fit來適應一些數據。這是偉大的工作,我只是想提高配合其他參數匹配假設(如機械效率不能大於100%等) y_data = [0.90 0.90 0.90 0.90 0.90 0.90 0.90 1.30 1.30 1.30 1.30 1.20 1.65 1.65 1.65 1.65 1.65 1.65 1.80 1.80 1.80 1.80 1.80 1.80 1.80 1.80

    0熱度

    1回答

    我一直在使用lmfit大約一天,不用說我對圖書館知之甚少。我一直在使用幾種內置模型進行曲線擬合,並且除了對數正態模型以外,所有這些模型都完美地處理了數據。 這裏是我的代碼: from numpy import * from lmfit.models import LognormalModel import pandas as pd import scipy.integrate as inte

    4熱度

    1回答

    我正在努力編寫一個用於將Voigt配置文件擬合到實驗數據的代碼。目前,我有時會得到一個合理的適合功能,但我需要自動執行大約1000次。這意味着如果每一秒都不適合,這不是一個機會。 我嘗試了兩種不同的方式來繪製擬合函數,並且出乎意料地得到了不同的結果。首先,我使用out.best_fit繪製了擬合函數,我試圖通過使用out.best_values.param給我的Voigt函數提供最佳參數。 正如你

    1熱度

    1回答

    我正在使用一些測試數據並使用以下代碼在Python 2.7中運行適配器lmfit。我需要權重爲1/y(使用Leven-Marq。例程)。我已經定義的權重,並在這裏使用它們: from __future__ import division from numpy import array, var from lmfit import Model from lmfit.models import

    0熱度

    1回答

    我使用下面的代碼,以適應三維點雲3D線的雲3D線添加砝碼。 我使用lmfit的最小二乘法,以儘量減少。 我需要增加權重的不同點,但不知道如何做到這一點使用數組(和不是標)距離輸出時。使用標量時的問題是它不如使用數組時好。我假設因爲有大量的變量。 所以問題是 - 有沒有辦法給添加權重爲每個元素的數組最小化? 使用像Nelder w/scaral輸入的東西不能很好地執行3D配合。 from lmfit

    0熱度

    1回答

    我有幾組數據,我試圖適合不同的配置文件。在其中一個最小值的中心有污染,可以防止我做得很好,正如您可以在此圖像中看到的那樣: 如何在我的數據底部夾取這些尖峯,並考慮到秒殺並不總是在同一個位置?或者你將如何處理這樣的數據?我使用lmfit來擬合輪廓,在這種情況下是洛倫茲和高斯。這裏就是我與初始值起到更緊密地擬合數據的最小工作示例: import numpy as np import matplotl

    -2熱度

    1回答

    以下代碼來自http://cars9.uchicago.edu/software/python/lmfit/parameters.html上的示例。 from lmfit import minimize, Minimizer, Parameters, Parameter, report_fit import numpy as np # create data to be fitted x =

    0熱度

    1回答

    我試圖適應高斯這一數據 x = [4170.177259096838, 4170.377258006199, 4170.577256915561, 4170.777255824922, 4170.977254734283, 4171.177253643645, 4171.377252553006, 4171.577251462368, 4171.777250371729, 4171.9772492