尝试使用curvefit在python中从Matlab的优化工具箱中运行lsqcurvefit的实现

Question

我正试图使用curve_fit在Python中从matlab实现lsqcurvefit，但没有成功。下面是我试图移植到Python的matlab代码：

myfun = @(x,xdata)(exp(x(1))./ xdata.^exp(x(2))) - x(3);
xstart = [4, -2, 54];
pX = [2, 3, 13, 12, 38, 39];
pY = [12.7595, 8.7857, -11.8802, -10.9528, -15.4390, -15.3083];
try
fittedmodel = lsqcurvefit(myfun,xstart,double(pX),double(pY), [], [], optimset('Display', 'off'));
disp("fitted model:");
disp(fittedmodel);
catch
end

下面是我的matlab输出：

fitted model:
4.8389    3.3577   -2.0000

下面是我的Python代码：

from scipy.optimize import curve_fit
import numpy as np
pX = [2, 3, 13, 12, 38, 39];
pY = [12.7595, 8.7857, -11.8802, -10.9528, -15.4390, -15.3083];
def myfun(x, xdata):
temp_val_1 = np.exp(x[0])
temp_val_2 = np.exp(x[1])
temp_val_3 = x[2]
temp_val_4 = np.power(xdata, temp_val_2)
temp_val_5 = np.divide(temp_val_1, temp_val_4)
temp_val_6 = temp_val_5 - temp_val_3
return temp_val_6

popt, pcov = curve_fit(myfun, pX, pY, p0=([4, -2, 54]))
print(popt, "n", pcov)

下面是我的Python输出：

myfun() takes 2 positional arguments but 4 were given

我知道输入有问题，但我不知道该更改什么来解决这个问题，并收到与使用matlab相同的结果。

Answer 1

以下是一些入门提示：

• 注意，curve_fit期望一个具有签名f(xdata, *x)的函数，其中x是优化变量，即搜索到的系数。与Matlab的lsqcurvefit相比，情况正好相反。符号*x是python特有的，表示可变数量的参数。

• 此外，您不需要使用np.power和np.divide函数。对于np.array，通常的数学运算符被重载，并按元素应用。例如，这意味着对于两个np.array，a / b等效于Matlab的a ./ b。因此，写(读(起来更方便：

def myfun(xdata, *x):
return np.exp(x[0]) / xdata**np.exp(x[1]) - x[2]

我得到以下系数：

[ 4.01234549 -0.47409326 21.70045585] 

然而，术语np.exp(x[1])似乎存在溢出，因此可能值得重新制定目标函数或提高浮点精度。即使用长双CCD_ 13。