curve-fitting相关内容
我的一种算法基于高斯函数执行自动峰值检测,然后根据sigma的乘数(用户设置)或“半峰全宽"确定边缘.在用户指定他/她希望将峰值限制在2 Sigma的情况下,该算法从峰值中心(mu)取-/+ 2 * sigma.但是,我注意到 curve_fit 返回的sigma可以为负,这是以前已经注意到的,如 MVCE #!/usr/bin/env python从scipy.optimize导入curve
..
使用SciPy中的 curve_fit 函数,我可以确定代表曲线的系数,如下图所示. def func2(t,tau):返回np.exp(-t/tau)t2 = np.linspace(0,4,50)y2 = func2(t2,1.2)y2_noise = 0.2 * np.random.normal(size = t2.size)y2_curve_noise = y2 + y2_noisep
..
我想找到适合于一组点内部的最大凸包.我有一组大致为圆形的点,我想拟合的圆之外有许多离群点.想象一个带有“太阳耀斑"的圆圈...我想适合这个圆圈,而完全不理会耀斑.我尝试了各种适合和剔除策略,但是效果不佳. 我已经搜索了很多,却没有找到解决方案.预先感谢. 解决方案 您需要的概念可能是alpha形状.凸包是alpha形状的子集,用于alpha的极值.Alpha形状使一组比凸包更近的点适
..
我在3D空间中有一组x,y,z点和另一个称为 charge 的变量,它表示在特定x,y,z坐标中沉积的电荷量.我想对此数据进行加权(通过检测器中沉积的电荷量加权,这恰好是更高的权重,以获得更多的电荷),以使其通过给定点即顶点. 现在,当我对2D进行此操作时,我尝试了各种方法(将顶点带到原点,并对所有其他点进行相同的转换,并迫使拟合通过原点,从而使顶点确实很高重量),但它们都不如Jaime在这
..
我使用此代码通过将指数与 scipy.optimize.curve_fit 拟合来平滑数据: def smooth_data_v1(x_arr,y_arr):def func(x,a,b,c):返回a * np.exp(-b * x)+ c#比例数据y = y_orig/10000.0x = 500.0 * x_origpopt,pcov = curve_fit(func,x,y,p0 =(1
..
我有一个python代码,该代码根据x和y值计算z值.总的来说,我有7个x值和7个y值,以及49个z值,它们排列在一个网格中(x和y分别对应一个轴,z是高度). 现在,我想以 z = f(x,y)的形式拟合2度的多项式曲面. 我找到了执行此计算的Matlab命令.( https://www.mathworks.com/help/curvefit/fit.html) 加载坦率sf =
..
我正在使用 scipy.optimize.curve_fit 将曲线拟合到我拥有的某些数据.在大多数情况下,这些曲线看起来非常吻合.出于某些原因,当我打印出来时,pcov = inf. 我真正需要的是计算与我适合的参数相关的误差,并且即使它确实给了我协方差矩阵,也不确定如何精确地做到这一点. 适合的模型是: def强度(x,R_out,R_in,K_in,K_out,a,b,c):
..
这是对数刻度的网络IP频率等级图.完成此部分后,我尝试使用 Python 2.7 在对数对数刻度上绘制最佳拟合线.我必须使用matplotlib的“符号"轴比例尺,否则某些值将无法正确显示,并且某些值会被隐藏. 我正在绘制的数据的X值是URL,Y值是URL的相应频率. 我的数据如下: 'http://www.bing.com/search?q=d2l&src=IE-TopResu
..
我有一条电缆要从车辆上移到地面上.使用摄像头系统,我可以实时估计绳索接触地面的位置.车辆的运动和位置估计的不准确性导致着陆位置的点云.从这一点开始,我想得出电缆在地面上最可能的路径.我想实时实现这一目标,并且希望根据新数据来更新拟合度.被添加的新点的频率约为20 Hz,而车辆的运动速度约为1 m/s.因此,点云相当密集.电缆在地面上遵循的路径是平滑的(因为电缆是硬的),并且在3D模式下(x,y,z
..
我有一些适合使用scipy.stats的伽马分布.我能够提取形状,位置和比例参数,并且它们与我期望的数据范围看起来很合理. 我的问题是:是否有一种方法也可以获取参数中的错误?类似于curve_fit的输出.注意:我不直接使用曲线拟合,因为它无法正常工作,并且大多数时候无法计算伽玛分布的参数.另一方面,scipy.stats.gamma.fit可以正常工作. 这是我正在做的事的一个例子(
..
我试图用一个以上吸收峰(莫斯鲍尔光谱)拟合一个洛伦兹函数,但是curve_fit函数不能正常工作,只拟合了几个峰.我怎么适应呢? 图:尝试调整多洛仑兹语 下面,我显示我的代码.请帮帮我. 将numpy导入为np导入matplotlib.pyplot作为plt从scipy.optimize导入curve_fitdef mymodel_hema(x,a1,b1,c1,a2,b2,c2,a
..
我正在尝试使用scipy.optimize.curve_fit拟合布里渊光谱(具有多个峰).我有多个具有多个峰的光谱,并且正在尝试用洛伦兹函数(每个峰一个洛伦兹函数)拟合它们.我正在尝试自动化进行批量分析的过程(即使用scipy的峰发现算法来获取峰位置,峰宽度和峰高,并将其用作拟合的初始猜测).现在,我正在研究一个频谱,以了解总体思路是否可行,然后将其扩展为自动的,并可以使用我拥有的所有频谱.到目
..
我正在使用minpack.lm包运行非线性最小二乘法. 但是,对于数据中的每个组,我想优化(最小化)拟合参数,类似于Python的 ps.我把数字和拟合线补齐了. 解决方案 不确定r,但是具有共享参数的最小二乘法通常很容易实现. 一个简单的python示例如下: import matplotlibmatplotlib.use('Qt4Agg')从matplotlib导
..
如果我在R中有一组线性的点,可以执行以下操作以绘制这些点,在它们上拟合一条线,然后显示该线: x = c(61,610,1037,2074,3050,4087,5002,6100,7015)y = c(0.401244,0.844381,1.18922,1.93864,2.76673,3.52449,4.21855,5.04368,5.80071)情节(x,y)估计= lm(y〜x)退缩(估计
..
我有一个巨大的数组,其中的坐标描述了3D曲线,〜20000点.我正尝试使用较少的积分,而忽略了一些积分,比如说每2积分取1.当我这样做并绘制减少的点数时,形状看起来是相同的.但是,我想适当地比较两条曲线,类似于卡方检验,以查看缩小的图与原始图有多少不同. 是否有一种简单的内置方法来执行此操作,或者是否有人对如何解决此问题有任何想法. 解决方案 “行简化"的一般问题似乎是整个研究领域.
..
我正在尝试将 scipy.optimize.curve_fit 与自定义拟合函数一起使用(大致遵循
..
我有一组(拓扑上简单的) x,y,z 点.与它们每个相关联的是一个标量( s ).我想将结果可视化. 如何确定每个节点的(单位)法线,然后根据 s 进行缩放,或者有没有办法获得空间分布的表面图(与数据点平行绘制)飞机)? 这是3D点的示例: 解决方案 如果未知曲面,则可以使用delaunay三角剖分法使用 delaunay 将曲面拟合到点上.然后,您可以使用 vertexNor
..
我有如下数据。我想找到适合整个数据集的CUBIC SPLINE曲线(链接采样数据)。 到目前为止我已经尝试过的事情: 我经历了scipy的三次样条函数,但是所有这些函数只能在单个时间给出结果,而我希望在整个时间范围内只有一条曲线。 我通过绘制scipy.interpolate.splrep生成的4个结的样条系数的平均值来绘制图形,但结果并不理想并且没有解决我的目的。 可以帮
..
我需要使用高斯拟合对来自仪器的数据进行插值。为此,我想到了使用 scipy 中的 curve_fit 函数。 因为我想先在假数据上测试此功能,然后再在仪器上尝试使用,所以我编写了以下代码来生成嘈杂的高斯数据并将其拟合: from scipy.optimize import curve_fit import numpy import pylab #创建一个高斯函数 de
..
我的数据: 文件1: 2015-08-01 07:00 0.23 0.52 0.00 0.52 9 14.6 14.6 14.6 67 8.5 0.0 --- 0.00 0.0 --- 14.6 14.1 14.1 16.3 1016.2 0.00 0.0 156 0.22 156 0.0 0.00 0.0 0.003 0.000 23.9 39 9.1 23.4 0.05 23 1 1
..