使用 lmfit 模型最适合多峰数据

Question

import matplotlib.pyplot as plt
import numpy as np
from lmfit import Model
x=np.array([4698.031, 4698.027, 4698.024, 4698.021, 4698.017, 4698.014,4698.011, 4698.007, 4698.004, 4698.001, 4697.997, 4697.994, 4697.991, 4697.987, 4697.984, 4697.981, 4697.977, 4697.974, 4697.971, 4697.967, 4697.964, 4697.961, 4697.957, 4697.954, 4697.951, 4697.947, 4697.944, 4697.941, 4697.937, 4697.934, 4697.931, 4697.927, 4697.924, 4697.921, 4697.917])
y=np.array([0.56565, 0.586575, 0.70335, 0.991245, 1.447545, 4.944375, 11.97281, 18.22095, 19.7613, 17.13792, 13.35083, 10.26506, 7.898505, 5.084775, 2.4192, 1.34358, 0.829905, 1.31322, 3.2049, 4.0095, 2.83263, 1.51605, 0.643275, 0.48972, 0.432675, 0.084375, 0.135345, 0.362145, 0.34425, 0.307125, 0.469125, 0.297, 0.183255, 0.528855, 0.523125])
gmodel = Model(gaussian, prefix='p1_') + Model(gaussian, prefix='p2_')
params = gmodel.make_params(p1_amp=0.1, p1_cen=4697.97, p1_wid=0.005, p2_amp=0.5, p2_cen=4698.00, p2_wid=0.005)


params['p1_cen'].min = x.min()
params['p1_cen'].max = 4697.98
params['p2_cen'].min = 4697.98
params['p2_cen'].max = x.max()

result = gmodel.fit(y, params, x=x)

更新程序 几个问题

当我运行程序时，它给我一个错误。追溯（最近一次通话最后一次）：

文件“”，第 7 行，位于 gmodel =模型（高斯，前缀='p1_'）+模型（高斯，前缀='p2_'）

NameError: 名称 'gaussian' 未定义

我为此添加了 from lmfit.lineshapes import gaussian并且它有效。

是对还是错？？

添加 library/package 程序后说追溯（最近一次通话最后一次）：

文件“”，第 9 行，位于参数['p1_'].min = x.min()

按键错误：'p1_cen'

帮我解决这个问题。

删除 params 程序后运行s 没有任何错误，但我该怎么做才能显示我的 给定数据 的图表最适合数据。我刚刚为我的给定数据做了 plt.plot(x,y)，但不知道如何为我的最佳数据做......

Answer 1

你需要给出更好的起始猜测。您的数据 x 范围从 4697.8 到 4698.0，但您对 cen 的初始猜测是 1.0，远远超出了您的数据范围。将初始值更改为对您的数据更合理的值。

更新以解决如何拟合 2 个峰的问题：

要拟合 2 个峰，您可以创建一个复合模型，如

gmodel = Model(gaussian, prefix='p1_') + Model(gaussian, prefix='p2_')

result  = gmodel.fit(y, x=x, p1_amp=0.1, p1_cen=4697.97, p1_wid=0.005,
                     p2_amp=0.5, p2_cen=4698.00, p2_wid=0.005)

这将创建一个将 2 个高斯相加的模型，并为一个模型的参数名称提供前缀 p1_，为另一个模型的参数提供前缀 p2_。然后，您可以在进行拟合时为其中的每一个提供初始值。

一般建议为每个模型创建一个lmfit.Parameters的实例，因为这允许您进一步操作参数设置，例如设置上限和下限。对于这种模型，确保峰不会重叠得太近或重叠可能会有所帮助。你可以这样做：

gmodel = Model(gaussian, prefix='p1_') + Model(gaussian, prefix='p2_')

params = gmodel.make_params(p1_amp=0.1, p1_cen=4697.97, p1_wid=0.005,
                            p2_amp=0.5, p2_cen=4698.00, p2_wid=0.005)
params['p1_cen'].min = x.min()
params['p1_cen'].max = 4697.98
params['p2_cen'].min = 4697.98
params['p2_cen'].max = x.max()

result = gmodel.fit(y, params, x=x)

为每个模型的 cen 参数设置 min/max 值，以便它们不能交换。

使用 lmfit 模型最适合多峰数据

Using lmfit model to best fit the multiple peaks data

python

lmfit