拟合的洛伦兹曲线与原始数据倒置问题（C# + Math.Net）

问题根源 #

拟合曲线与原始数据倒置的核心原因是当前洛伦兹模型未包含基线参数，导致模型取值范围（0到峰值）与原始数据的取值范围（5~6）完全不匹配，拟合算法只能找到与数据趋势相反的局部最优解。

你的原始数据是基线+峰的形态（中间最高，向两侧递减至基线），但当前使用的模型仅描述了从0开始的洛伦兹峰，无法覆盖原始数据的基线水平，最终拟合出倒置曲线。

修复方案 #

1. 修正洛伦兹模型 #

在模型中加入基线参数B，调整后的模型可完美匹配原始数据形态：
$$y = B + \frac{A/\pi \cdot \gamma/2}{(x-x_0)^2 + (\gamma/2)^2}$$
其中：

• B：基线值（对应原始数据的最低y值，约5）
• A：峰高缩放系数
• x0：峰的中心位置
• gamma：半高宽

2. 修改代码实现 #

以下是调整后的完整代码，新增基线参数并适配约束：

using MathNet.Numerics;
using MathNet.Numerics.LinearAlgebra;
using MathNet.Numerics.Optimization;
using System;

public static class LorentzianFitter
{
    public static Tuple<double, double, double, double> FitLorentzianWithBaseline(double[] xDataInput, double[] yDataInput, double x0Guess, double AGuess, double gammaGuess, double BGuess)
    {
        if (xDataInput.Length != yDataInput.Length || xDataInput.Length < 4)
        {
            throw new ArgumentException("输入数据数组长度必须一致且至少包含4个点");
        }

        var xData = new DenseVector(xDataInput);
        var yData = new DenseVector(yDataInput);

        // 初始猜测向量：[中心x0, 缩放系数A, 半高宽gamma, 基线B]
        Vector<double> initialGuess = Vector<double>.Build.Dense(new[] { x0Guess, AGuess, gammaGuess, BGuess });
        IObjectiveModel objective = ObjectiveFunction.NonlinearModel(ModelWithBaseline, xData, yData);
        
        var minimizer = new LevenbergMarquardtMinimizer(
            initialMu: 0.001,
            gradientTolerance: 1E-15,
            stepTolerance: 1E-15,
            functionTolerance: 1E-15,
            maximumIterations: 100);
        
        // 参数下界约束：避免出现不合理的负值
        Vector<double> lowerBound = Vector<double>.Build.Dense(new[] { 0.0, 0.0, 0.0, 4.0 });
        NonlinearMinimizationResult optimizationResult = minimizer.FindMinimum(objective, initialGuess, lowerBound);

        if (optimizationResult.ReasonForExit is ExitCondition.Converged or ExitCondition.RelativePoints or ExitCondition.RelativeGradient)
        {
            return Tuple.Create(
                optimizationResult.MinimizingPoint[0],
                optimizationResult.MinimizingPoint[1],
                optimizationResult.MinimizingPoint[2],
                optimizationResult.MinimizingPoint[3]);
        }
        else
        {
            return Tuple.Create(double.NaN, double.NaN, double.NaN, double.NaN);
        }
    }

    private static Vector<double> ModelWithBaseline(Vector<double> parameters, Vector<double> xData)
    {
        double x0 = parameters[0];
        double A = parameters[1];
        double gamma = parameters[2];
        double B = parameters[3];

        Vector<double> result = CreateVector.Dense<double>(xData.Count);
        double gammaHalf = gamma / 2.0;
        double scaleFactor = (A / Math.PI) * gammaHalf;

        for (int i = 0; i < xData.Count; i++)
        {
            double xDiff = xData[i] - x0;
            double denominator = xDiff * xDiff + gammaHalf * gammaHalf;
            result[i] = B + scaleFactor / denominator;
        }
        return result;
    }
}

3. 调用示例 #

针对你的数据，使用以下初始猜测即可得到正确拟合结果：

double[] xData = { 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0 };
double[] yData = { 5.1, 5.3, 5.8, 6.0, 5.8, 5.3, 5.1 }; 
var fitResult = LorentzianFitter.FitLorentzianWithBaseline(xData, yData, 4.0, 2.0, 2.0, 5.0);

// 输出拟合参数
Console.WriteLine($"中心x0: {fitResult.Item1:F2}");
Console.WriteLine($"缩放系数A: {fitResult.Item2:F2}");
Console.WriteLine($"半高宽gamma: {fitResult.Item3:F2}");
Console.WriteLine($"基线B: {fitResult.Item4:F2}");

补充说明 #

如果暂时不想新增基线参数，也可以尝试将模型改为固定最大值减去洛伦兹谷，但这种方法需要预先知道数据最大值，灵活性远不如新增基线参数的方案，因此更推荐前者。

内容的提问来源于stack exchange，提问作者Alex