我对用于同时描述具有一些常见参数的一组数据的脚本有疑问。该程序相当长且复杂，为了简单起见，我在这里报告基本部分。本文末尾提供了完整的脚本和一组数据。
第一步，我导入要拟合的数据。qexp 是我的自变量的值，RRexp 是我要建模的实验数据。RRerr 是他们的不确定性，qres 是我的自变量中的不确定性（此处未使用）。
data = []
Files = ['LC-VoS-2.4-00.mft', 'LC-VoS-2.4-10.mft', 'LC-VoS-2.4-30.mft', 'LC-VoS-2.4-50.mft'] #, 'LC-VoS-2.3-65.mft']
for i in range(len(Files)):
qexp, RRexp, RRerr, qres = np.loadtxt(Files[i], unpack=True, skiprows=23, usecols=(0,1,2,3))
dataset = np.zeros(shape=(len(qexp),5))
dataset[:,0:4] = np.column_stack((qexp*10, RRexp, RRerr, qres*10))
data.append(dataset)
我定义了计算理论曲线所需的所有参数（我只展示了其中的一些）：
fit_params = Parameters()
#Parameters valid for each humidity series, values guessed
fit_params.add('N', value = 3.85 , min = 1.0, max = 15.0, vary=True)
fit_params.add('dd_alk', value = 0.80, min = 0.4, max = 2.5, vary=True)
...
for i in range(len(Files)):
fit_params.add_many(('sig_l' + str(i), 0.15, False, 0.0, None),
('sig_N' + str(i), 0.3, False, 0.0, None))
此函数将残差返回给由最小化调用的 f2min_inc 函数。data1 和 data2 由 calcRR 函数计算，使用数据数组中包含的 x 值 (qexp)、SLDx 数组和 GFP[] 中包含的一些参数。计算值存储在 data[:][:,4] 中。
def Resid_inc(Files,SLD1,SLD2,data,GFP): #Function calculates the residuum for the fit.
res = []
data1 = CalcRR(data, SLD1, GFP)
data2 = CalcRR(data, SLD2, GFP)
for i in range(len(Files)):
data[i][:,4] = data1[i][:,4]*(1.0-fit_params['N'].value+int(fit_params['N'].value))+data2[i][:,4]*(fit_params['N'].value-int(fit_params['N'].value))
for i in range(len(Files)):
linres = (data[i][:,1]-data[i][:,4])/data[i][:,2]
res = np.append(res, linres)
return res
这是一个中间函数（可能会被跳过），由最小化函数调用，返回残差。在第一行中，根据 fit_parameters 计算了四个数组 Phi_s1、Phi_s2、SLD1 和 SLD2。需要这些数组来计算理论曲线，这在 Resid_inc 函数中完成。
def f2min_inc(fit_params):
Phi_s1, Phi_s2, SLD1, SLD2 = nr.Par(fit_params, Files, GFP, coher)
res = Resid_inc(Files,SLD1,SLD2,data,GFP)
return res
这里我调用 lmfit 最小化函数。out = 最小化（f2min_inc，fit_params，iter_cb=printout，方法='leastsq'）
虽然我没有在minimize中定义args，但是软件运行流畅，没有出现任何错误信息，拟合过程运行了一段时间然后结束。但是，参数的变化很小，并且返回时没有标准偏差。该报告如下所示：
[[Fit Statistics]]
# function evals = 103
# data points = 1193
# variables = 4
chi-square = 290351.201
reduced chi-square = 244.198
[[Variables]]
N: 3.85000000 +/- 0 (0.00%) (init= 3.85)
dd_alk: 0.80196356 +/- 0 (0.00%) (init= 0.8)
dd_eo: 0.40098178 +/- 0 (0.00%) == 'dd_alk*0.34/0.34/2.'
dd_ch: 2.09873200 +/- 0 (0.00%) (init= 2.1)
dd_ch0: 1.49802709 +/- 0 (0.00%) (init= 1.5)
dd_ch_last: 0.5 (fixed)
dd_SiO2: 2.3 (fixed)
sig_Si: 0.2 (fixed)
sig_SiO2: 0.25 (fixed)
a: 0 (fixed)
b: 0 +/- 0 == 'a'
sig_l0: 1 (fixed)
sig_N0: 0.05 (fixed)
f_eo0: 0 (fixed)
f_ch0: 0 (fixed)
f_ch00: 0 (fixed)
f_holech0: 0.45 (fixed)
f_holeo0: 0.45000000 +/- 0 (0.00%) == 'f_holech0'
sig_l1: 1 (fixed)
sig_N1: 0.1 (fixed)
f_eo1: 0.1 (fixed)
f_ch1: 0.05 (fixed)
f_ch01: 0.05 (fixed)
f_holech1: 0 (fixed)
f_holeo1: 0 (fixed)
sig_l2: 1 (fixed)
sig_N2: 0.08 (fixed)
f_eo2: 0.2 (fixed)
f_ch2: 0.15 (fixed)
f_ch02: 0.15 (fixed)
f_holech2: 0 (fixed)
f_holeo2: 0 (fixed)
sig_l3: 1 (fixed)
sig_N3: 0.08 (fixed)
f_eo3: 0.5 (fixed)
f_ch3: 0.28 (fixed)
f_ch03: 0.42 (fixed)
f_holech3: 0 (fixed)
f_holeo3: 0 (fixed)
如您所见，参数略有变化，但变化不大。我认为这可能会导致模型的复杂性。但是，即使我尝试最小化一个参数，问题仍然存在。同样通过改变最小化算法对输出没有影响，输出总是非常接近猜测的参数。我也确信，我不是最低限度的，因为我可以通过改变初始参数得到更好的猜测。
我担心问题在于我是如何编写脚本的，即使我无法确定任何明显的问题（但我的编程技能非常有限）。
带有一组数据的完整脚本可以在这里下载： https ://tubcloud.tu-berlin.de/s/4oUzu6d5Mvwczle
提前感谢您的评论。