准备
噪声是在拟合过程中常用的干扰手段,常用的噪声:
- 统一分布 U(a,b)
f ( x ) = { 1 i f a ≤ x < b 0 o t h e r f(x)=\begin{cases}\begin{aligned}1&\quad if\quad a\le x<b \\ 0&\quad other\end{aligned}\end{cases}f(x)={10ifa≤x<bother
import numpyas np
x=np.random.uniform(a,b,100)#产生长度为100的U(a,b)
- 正态分布N(
μ
\muμ,
σ
2
\sigma^2σ2)
f ( x ) = 1 2 π σ e − ( t − μ ) 2 2 σ 2 f(x)=\frac 1 {\sqrt{2\pi}\sigma}e^{-\frac {(t-\mu)^2}{2\sigma^2}}f(x)=2πσ1e−2σ2(t−μ)2
import numpyas np
x=np.random.normal(mu, sig,100)#产生长度为100的N(mu, sqart(sig))
三次样条插值
defspline_fit():
size=20
x= np.linspace(-10,10, size)
y= np.sin(x)+ np.random.normal(0,0.1, size)
y2=[0]*len(y)# for y_i in y:
pp.plot(x, y)
cs= CubicSpline(x, y)
x2= x= np.linspace(-10,10, size*100)
pp.plot(x2, cs(x2))
pp.show()
最小二乘拟合
defleast_square():
f=lambda p0, xx: p0[0]* np.sin(xx* p0[1])+ p0[2]
LEN=100
x= np.linspace(-1,1, LEN)
y= x**2+5# 默认情况,param只会返回求得的参数和返回的错误码,1-4为成功,5-8为失败,如果想输出更多参数,可以指定full_out=1,可以看到出错原因和其他参数
param= leastsq(lambda p0, xx, yy: f(p0, xx)- yy,(1,1,1), args=(x, y))#初值的选择比较重要,如果选取不当,容易陷入局部最优print(param)
pp.scatter(x, y)
p0= param[0]
pp.plot(x, f(p0, x))
pp.show()
最小二乘的初值选取非常重要,以下是三份完全相同的数据,虽然最后都收敛了,但是初值不同,得到了完全不同的拟合结果
初值为
(
1
,
2
,
1
)
(1,2,1)(1,2,1)
初值为
(
1
,
1
,
1
)
(1,1,1)(1,1,1)
初值为
(
10
,
10
,
1
)
(10,10,1)(10,10,1)
拉格朗日乘子法
deflagrange()from scipy.optimizeimport minimizeimport numpyas np
e=1e-10
fun=lambda x:8*(x[0]* x[1]* x[2])# f(x,y,z) =8 *x*y*z
cons=({'type':'eq','fun':lambda x: x[0]**2+ x[1]**2+ x[2]**2-1},# x^2 + y^2 + z^2=1{'type':'ineq','fun':lambda x: x[0]- e},# x>=e等价于 x > 0{'type':'ineq','fun':lambda x: x[1]- e},{'type':'ineq','fun':lambda x: x[2]- e})
x0= np.array((1.0,1.0,1.0))# 设置初始值
res= minimize(fun, x0, method='SLSQP', constraints=cons)print('最大值:', res.fun)print('最优解:', res.x)print('迭代终止是否成功:', res.success)print('迭代终止原因:', res.message)