python非线性最小二乘拟合_python非线性最小二乘拟合

这是一个如何使用scipy.optimize.leastsq的裸机示例：

import numpy as np

import scipy.optimize as optimize

import matplotlib.pylab as plt

def func(kd,p0,l0):

return 0.5*(-1-((p0+l0)/kd) + np.sqrt(4*(l0/kd)+(((l0-p0)/kd)-1)**2))

残差的平方和是我们试图最小化的kd的函数：

def residuals(kd,p0,l0,PLP):

return PLP - func(kd,p0,l0)

这里我生成一些随机数据.你想在这里加载你的真实数据.

N=1000

kd_guess=3.5 #

p0 = np.linspace(0,10,N)

l0 = np.linspace(0,10,N)

PLP = func(kd_guess,p0,l0)+(np.random.random(N)-0.5)*0.1

kd,cov,infodict,mesg,ier = optimize.leastsq(

residuals,kd_guess,args=(p0,l0,PLP),full_output=True,warning=True)

print(kd)

产生类似的东西

3.49914274899

这是optimize.leastsq找到的最适合的kd值.

这里我们使用刚刚找到的kd的值生成PLP的值：

PLP_fit=func(kd,p0,l0)

以下是PLP与p0的关系图.蓝线是从数据,红线是最佳拟合曲线.

plt.plot(p0,PLP,'-b',p0,PLP_fit,'-r')

plt.show()