我无法scipy.optimize.curve_fit正确拟合我的数据，这些数据在视觉上很明显。我大致知道参数值应该是什么，如果我使用给定参数评估函数，计算和实验数据似乎很吻合：
但是，当我使用scipy.optimize.curve_fit具有最小误差的输出参数时，它的拟合效果要差得多（通过目视检查）。如果我使用“已知”参数作为我的初始猜测并将参数绑定到一个相对较窄的窗口，如 fit 函数的输出示例所示：
我获得的误差值大了 ~10^2 倍，但拟合的视觉外观似乎更好。我可以使数据看起来像样的唯一方法是将所有参数与〜0.3个单位的“已知”参数绑定。我计划使用这个代码来拟合更复杂的数据，我事先不知道参数，所以我不能只使用计算出的图。
相关代码如下：
import matplotlib.pyplot as plt
import numpy as np
import scipy
from scipy.optimize import curve_fit
d_1= 2.72 #Anstroms
sig_cp_1= 0.44
sig_int_1= 1.03
d_1, sig_cp_1,sig_int_1=float(d_1),float(sig_cp_1),float(sig_int_1)
Ref=[]
Qz_F=[]
Ref_F=[]
g=open("Exp_Fresnal.csv",'rb')#"Test_Fresnal.csv", 'rb')
reader=csv.reader(g)
for row in reader:
Qz_F.append(row[0])
Ref.append(row[1])
Ref_F.append(row[2])
Ref=map(lambda a:float(a),Ref)
Ref_F=map(lambda a:float(a),Ref_F)
Qz_F=map(lambda a:float(a),Qz_F)
Ref_F_arr=np.array((Ref_F))
Qz_arr=np.array((Qz_F))
x=np.array((Qz_arr,Ref_F))
def func(x,d,sig_int,sig_cp):
return (x[1])*(abs(x[0]*d*(np.exp((-sig_int**2)*(x[0]**2)/2)/(1-np.exp(complex(0,1)*x[0]*d)*np.exp((-sig_cp**2)*(x[0]**2)/2)))))**2
DC_ref=func(x,d_1,sig_int_1,sig_cp_1)
Y=np.array((Ref))
popt, pcov=curve_fit(func,x,Y,)#p0=[2.72,1.0,0.44])
perr=np.sqrt(np.diag(pcov))
print "par=",popt;print"Var=",perr
Fit=func(x,*popt)
Fit=func(x,*popt)
Ref=np.transpose(np.array([Ref]))
Qz_F=np.transpose(Qz_F)
plt.plot(Qz_F, Ref, 'bs',label='Experimental')
plt.plot(Qz_F, Fit, 'r--',label='Fit w/ DCM model')
plt.axis([0,3,10**(-10),100])
plt.yscale('log')
plt.title('Reflectivity',fontweight='bold',fontsize=15)
plt.ylabel('Reflectivity',fontsize=15)
plt.xlabel('qz /A^-1',fontsize=15)
plt.legend(loc='upper right',numpoints=1)
plt.show()
数组是从文件中导入的（我不能包括在内），并且没有异常点会导致拟合变得如此扭曲。任何帮助表示赞赏。
编辑 我包含了附加代码和与代码一起使用的输入数据，但您必须将其重新保存为 MS-Dos .CSV