问题标签 [least-squares]

My knowledge of maths is limited which is why I am probably stuck. I have a spectra to which I am trying to fit two Gaussian peaks. I can fit to the largest peak, but I cannot fit to the smallest peak. I understand that I need to sum the Gaussian function for the two peaks but I do not know where I have gone wrong. An image of my current output is shown:

The blue line is my data and the green line is my current fit. There is a shoulder to the left of the main peak in my data which I am currently trying to fit, using the following code:

我正在尝试从我一直在运行的模拟代码中拟合一些数据，以找出幂律依赖性。当我绘制线性拟合时，数据拟合得不是很好。

这是我用来拟合数据的python脚本：

我得到的输出是：-71205.3 + 71174.5*x^-9.79038e-05

虽然在图上拟合看起来与最小二乘拟合所期望的一样好，但输出的形式让我感到困扰。我希望常数会接近你期望的零（大约 30）。我期待找到比 10^-5 更大的功率依赖性。

我尝试重新调整我的数据并使用参数来优化.leastsq，但没有运气。我想要完成的事情是可能的，还是我的数据不允许这样做？计算成本很高，因此获得更多数据点并非易事。

谢谢！

我正在寻找一种算法来找到点云和球体之间的最佳拟合。

也就是说，我想最小化

其中C是球体的中心，r是球体的半径，每个P是我的n个点集中的一个点。变量显然是Cx、Cy、Cz和r。在我的情况下，我可以事先获得一个已知的r，只留下C的组件作为变量。

我真的不想使用任何类型的迭代最小化（例如牛顿法、Levenberg-Marquardt 等）——我更喜欢一组线性方程或明确使用 SVD 的解决方案。

我有两个函数和一组数据。这两个函数具有相同的 x 数据和相同的参数。我想通过最小二乘法获得最适合我的数据的参数。

参数为：ex,ey,ez。

X 数据为：RA、DE（如 3000 点）。

Y 数据为：dRA,dDE。

我试过这个，但我得到了一个错误的解决方案：

任何形式的帮助都会非常受欢迎

我有两个不同的不等式问题的最小二乘问题。我不能使用 NNLS，因为它只是解决具有等式和不等式问题的最小二乘问题，或者只是一个不等式约束。我可以使用 NNLS 或任何其他算法或 R 包来解决这个最小二乘问题吗？

我是 scipy 和 matplotlib 的新手，我一直在尝试将函数拟合到数据中。Scipy Cookbook中的第一个示例效果非常好，但是当我尝试使用从文件中读取的点时，我给出的初始系数（下面的 p0）似乎从未真正改变，并且协方差矩阵始终为 INF。

我试图在一条线上拟合数据，但无济于事。我导入数据的方式有问题吗？如果是这样，有没有更好的方法来做到这一点？

谢谢！

我正在尝试实现一种将线拟合到 2D 中的一组点的方法。我编写了以下代码，它从两个数组（X，Y 坐标）中读取数据，并应使用最小二乘法计算最佳拟合线的参数。我使用了这里给出的公式： mathworld.wolfram

我得到这样的输出：

结果线根本不适合数据，尽管 corelationCoefficient 有时大于一，恕我直言，如果一切正常，则永远不会发生这种情况。

有人在我的实施中看到任何错误吗？

- 编辑 -

这是更正的代码，遵循 CRD 的提示。我用它来提取两个步骤之间水平面上采样的用户加速度的方向向量，以获得步骤方向。

这对我有用：

我的问题很标准，但找不到解决方案。

我有 points=[x,y,z] 并想绘制最佳拟合线。

我正在使用下面给出的函数（和 Thanx Smith）

我有一个。所以方程可能是

dist 是最小值。与原点的距离。

现在我的问题是如何在 3D 中绘制最佳过滤线。

我两次解释了我的问题，因为我的英语不好：/

先解释一下：

在我拍摄的一些图像中，我有每个像素的 RGB 矩阵。

此外，我有 3 个像素的 RGB，我知道它们的真实值（在我拍照后，像素的 RGB 值会因为光线而改变）。

如何使用这 3 个已知的 RGB 来使用最小二乘法，以便准确地获得原始图像颜色？

第二个解释：

我必须用我的相机拍一些苹果的照片。如果我在我的房间和街上拍摄相同的苹果，我会得到与苹果颜色不同的图像，尽管它们是相同的苹果。这是因为街上的灯不是我房间里的灯。

为了解决这个问题，我想在苹果附近放置三个我知道它们 RGB 的圆圈（红色、绿色和蓝色）。例如，我有 3 个圈子：

红圈-> [241 25 13]

绿色圆圈-> [12 239 41]

蓝色圆圈-> [35 28 237]

现在，我将用 3 个圆圈拍摄苹果。我知道我的 3 个圆圈的 RGB 发生了变化：

现在红圈是 [229 42 32]

绿色圆圈-> [24 241 42]

蓝色圆圈-> [29 26 230]

现在，有了这些信息（3 个圆圈的输入和输出 RGB），我想修复所有图像（苹果和 3 个圆圈）的颜色。

所以我的输入是：

（三个圆圈的初始RGB，我拍摄后这些圆圈的RGB）

并且输出必须是一个函数：(R,G,B) -> (new R, new G, new B)。

所以该功能必须修复图片中的所有RGB，

对于我之前的例子：

红圈 [229 42 32] 将更改为他原来的 [241 25 13]

绿色圆圈 [24 241 42] -> [12 239 41]

蓝色圆圈[29 26 230] -> [35 28 237]

所以，如果我拍摄并得到一个 RGB 为 [142, 124, 211] 的苹果，我想用他的 RGB 运行函数并获得这个苹果的真实颜色。

有人告诉我，我可以使用最小二乘法。

Excel 为成对值集生成散点图。它还提供了为趋势线生成最佳拟合趋势线和公式的选项。它还生成气泡图，其中考虑了每个值提供的权重。但是，权重对趋势线或公式没有影响。这是一组示例值，以及它们的映射和权重。

对于 Excel 的趋势线，值 5 的映射对公式的影响太大。有没有办法产生一个反映各自权重的公式？

作为帮助，我引入了五个连续值的加权平均值。但他们是更好的方法吗？