在MatLab/Python中通过优化多个变量来缩小两个图形之间的差异?
问题描述
假设‘h’是x,y,z和t的函数,它给我们提供了一条图形线(t,h)(模拟)。同时,我们还观察到了曲线图(h对t的观测值)。如何通过优化x、y和z的值来减小观测(t,h)和模拟(t,h)图之间的差异?我想要更改模拟图形,使其越来越接近于在MATLAB/Python中观察到的图形。在文献中,我读到有人用拉文伯格-马夸特算法做过同样的事情,但不知道怎么做?解决方案
您实际上是在尝试匹配参数化函数h(x,y,z;t)
的参数x,y,z
。
MatLab
您说得对,在MATLAB中,您应该使用优化工具箱的lsqcurvefit
,或曲线拟合工具箱的fit
(我更喜欢后者)。
查看lsqcurvefit
的文档:
x = lsqcurvefit(fun,x0,xdata,ydata);
文档中说您有一个带有系数x
和采样点xdata
的模型F(x,xdata)
,以及一组测量值ydata
。该函数返回与测量值最接近的最小二乘参数集x
。
拟合算法通常需要起点,有些实现可以随机选择,在lsqcurvefit
的情况下,这就是x0
的目的。如果您有
h = @(x,y,z,t) ... %// actual function here
t_meas = ... %// actual measured times here
h_meas = ... %// actual measured data here
然后在lsqcurvefit
的约定中,
fun <--> @(params,t) h(params(1),params(2),params(3),t)
x0 <--> starting guess for [x,y,z]: [x0,y0,z0]
xdata <--> t_meas
ydata <--> h_meas
您的函数h(x,y,z,t)
应该在t
中矢量化,以便t
中的向量输入的返回值与t
的大小相同。然后,对lsqcurvefit
的调用将为您提供最佳参数集:
x = lsqcurvefit(@(params,t) h(params(1),params(2),params(3),t),[x0,y0,z0],t_meas,h_meas);
h_fit = h(x(1),x(2),x(3),t_meas); %// best guess from curve fitting
Python
在python中,您必须使用scipy.optimize
模块,特别是类似scipy.optimize.curve_fit
的模块。对于上述约定,您需要以下内容:
import scipy.optimize as opt
popt,pcov = opt.curve_fit(lambda t,x,y,z: h(x,y,z,t), t_meas, y_meas, p0=[x0,y0,z0])
请注意,p0
开始数组是可选的,但如果缺少,则所有参数都将设置为1。您需要的结果是popt
数组,其中包含[x,y,z]
的最佳值:
x,y,z = popt
h_fit = h(x,y,z,t_meas)
相关文章