基于离散实验光谱数据优化T₁、T₂以最小化误差的技术求助

核心解决思路 #

你不需要手动推导雅可比或海森矩阵——Scipy提供了无需梯度的优化算法，完全适配离散数据场景。这类算法会自动通过数值试探寻找最优解，我们只需要定义好误差函数并指定参数范围即可。

分步实现代码 #

1. 实现普朗克黑体辐射函数 #

先把已知的G(T, lambda)写成可调用的Python函数（示例假设波长单位为纳米）：

import numpy as np
from scipy.optimize import minimize

def planck_blackbody(T, lam):
    # 物理常数
    h = 6.62607015e-34  # 普朗克常数（精确值）
    c = 299792458       # 光速
    k = 1.380649e-23    # 玻尔兹曼常数
    lam_m = lam * 1e-9  # 纳米转米
    # 普朗克公式计算
    numerator = 2 * h * c**2
    exponent = h * c / (lam_m * k * T)
    denominator = lam_m**5 * (np.exp(exponent) - 1)
    return numerator / denominator

2. 定义误差计算函数 #

输入参数为[T1, T2]，计算E1与E2的平方和误差：

def squared_error(params, spec1, spec2, lambdas):
    T1, T2 = params
    # 生成对应温度下的黑体辐射数组
    G1 = np.array([planck_blackbody(T1, lam) for lam in lambdas])
    G2 = np.array([planck_blackbody(T2, lam) for lam in lambdas])
    
    # 数值稳定性处理：避免除以极小值导致溢出
    eps = 1e-20
    G1 = np.where(G1 < eps, eps, G1)
    G2 = np.where(G2 < eps, eps, G2)
    
    # 计算E1和E2并返回平方和误差
    E1 = spec1 / G1
    E2 = spec2 / G2
    return np.sum((E1 - E2)**2)

3. 执行优化求解 #

使用L-BFGS-B算法（支持参数边界约束），设置初始猜测和参数范围：

# 假设你已加载实验数据：Spectrum_1, Spectrum_2, lambdas
initial_guess = [700, 700]  # 初始值取范围中间值即可
param_bounds = [(400, 1000), (400, 1000)]  # T1、T2的取值范围

# 调用优化器
optim_result = minimize(
    squared_error,
    x0=initial_guess,
    args=(Spectrum_1, Spectrum_2, lambdas),
    method='L-BFGS-B',
    bounds=param_bounds
)

# 输出结果
print(f"最优T1: {optim_result.x[0]:.2f}")
print(f"最优T2: {optim_result.x[1]:.2f}")
print(f"最小平方误差: {optim_result.fun:.4f}")

关键细节说明 #

• 算法选择：L-BFGS-B是准牛顿算法，无需手动提供梯度，同时支持参数边界约束，完美匹配你的需求；如果需要更鲁棒的无梯度算法，也可以尝试Nelder-Mead。
• 数值稳定性：给极小的G值加epsilon，避免除以0或数值溢出问题。
• 初始值：只要在参数范围内，初始值对最终结果影响不大（算法会自动收敛到局部最优，你的问题应该只有一个全局最优）。

内容的提问来源于stack exchange，提问作者Yannick