使用 lmfit 最小化或 scipy 优化计算两条曲线的缩放常数

Question

我想建模一个相对复杂的情节。该模型由已通过实验测量的两个“相”/组分组成，但是这些组分的比例是未知的。数据显示在图像中：橙色和绿色曲线的某种组合构成了蓝色曲线。

Complex curve and two components

模型定义为：

    Model = A * (z1 * 0.3 * y1 + z2 * 0.7 * y2) + D

其中 A 是整体缩放，z1 和 z2 是 y1 和 y2 的单独缩放，它们是组件。 D 是偏移量。

我尝试通过定义拟合参数和残差来使用 lmfit 最小化函数，如下所示：

import lmfit
from lmfit import Minimizer, Parameters, report_fit

fit_params = Parameters()
fit_params.add('A', value=1.00, min=0, max=1)
fit_params.add('z1', value=1, min=0, max=1)
fit_params.add('z2', value=1, min=0, max=1)
fit_params.add('D', value=0.00, min=-5, max=5)

def residual(pars, x, data = total_scatter_expt):
   Data = total_scatter_expt
   Model = A * (z1 * 0.3 * y1 + z2 * 0.7 * y2) + D
   return model - data

因为 y1 和 y2 也是函数，所以我并不完全清楚我的 x 在残差或最小化线上是什么。为此，我使用了图片中图表上的 x 值。

out = minimize(residual, fit_params, args=(x,))     
print(fit_report(out))

这导致了错误

TypeError: can't multiply sequence by non-int of type 'float'

我不确定这个问题是否最好描述为反卷积或函数的拟合函数。任何帮助，将不胜感激。

Answer 1

您声称您的目标函数是：

def residual(pars, x, data = total_scatter_expt):
   Data = total_scatter_expt
   Model = A * (z1 * 0.3 * y1 + z2 * 0.7 * y2) + D
   return model - data

这里有很多问题：

1. 'data = total_scatter_expt' 表示data 的默认值将是函数定义 时total_scatter_expt 的值（就像处理此代码的文本时一样)。不要那样做。无论如何，total_scatter_expt 没有定义。这不可能是你实际运行的代码。

2. 然后将Data 设置为total_scatter_expt。同样，这不能是有效代码。

3. 您将Data 和Model 都大写，然后返回model-data。 Python 区分大小写，因此您的代码无效。

4. 您访问 A、z1、y1、z2、y2 和 D，它们未定义并且永远不会使用 pars 或 x。同样，您的代码无效。

几乎可以肯定，您想从pars 中提取参数A、D 等的值，但您不这样做。也许试试

   pvals = pars.valuesdict()
   model = pvals['A'] * (pvals['z1'] ....

您的意思可能是x 包含y1 和/或y2。

以后，请提供实际显示您实际遇到的问题的代码。不要对您收到的错误消息撒谎：使用您发布的实际代码显示您收到的实际消息。