python生成高斯噪声_模拟高斯噪声d的Python-gaussian拟合

就规模问题而言，我同意Olaf的看法。最佳参数相差许多数量级。但是，缩放生成玩具数据所用的参数似乎不能解决实际应用程序的问题。^{}使用^{}，它在数值上近似于雅可比矩阵，其中数值问题是由于尺度的差异而产生的(尝试在curve_fit中使用full_output关键字)。在

根据我的经验，最好使用^{}，它不依赖于近似导数，而只使用函数值。你现在必须写你自己的最小二乘函数，它将被优化。在

起始值仍然很重要。在您的例子中，您可以通过取a的最大振幅和b和c对应的x值来进行充分的猜测。在

在代码中，如下所示：from scipy.optimize import curve_fit,fmin

import numpy

import pylab

# Create a gaussian function

def gaussian(x, a, b, c):

val = a * numpy.exp(-(x - b)**2 / (2*c**2))

return val

# Generate fake data.

zMinEntry = 80.0*1E-06

zMaxEntry = 180.0*1E-06

zStepEntry = 0.2*1E-06

x = numpy.arange(zMinEntry,

zMaxEntry,

zStepEntry,

dtype = numpy.float64)

n = len(x)

meanY = zMinEntry + (zMaxEntry - zMinEntry)/2

sigmaY = 10.0