如何用curve_fit将复chirp函数的实部拟合到实验数据？

要解决curve_fit无法直接处理复函数的问题，核心是提取复函数的实部作为拟合目标函数，将问题转化为常规的实值函数拟合任务，具体步骤如下：

1. 定义实值拟合函数 #

原复函数的实部可通过欧拉公式展开：exp(A + iB) = exp(A) * cos(B) + i*exp(A)*sin(B)，其中：

• A = -2*np.log(2)*(x-x0)**2/tau_p**2
• B = b*(x-x0)**2

提取实部后的拟合函数如下：

import numpy as np
from scipy.optimize import curve_fit

def func_M_real(x, a, x0, tau_p, b):
    exp_real = np.exp(-2 * np.log(2) * (x - x0)**2 / tau_p**2)
    cos_term = np.cos(b * (x - x0)**2)
    return a * exp_real * cos_term

2. 准备数据与初始参数 #

• 实验数据：替换为你已有的实值自变量x_data和因变量y_data
• 初始参数猜测：需要给出[a_guess, x0_guess, tau_p_guess, b_guess]，初始值要尽量接近真实值：
  • a_guess：取y_data的最大值（对应高斯包络的峰值）
  • x0_guess：取x_data的中点或数据峰值对应的x值
  • tau_p_guess：根据数据半高宽估算（高斯函数半高宽为tau_p * np.sqrt(np.log(2)/2)）
  • b_guess：可先设为0（对应无啁啾高斯函数）或根据数据振荡频率估算

3. 执行拟合 #

调用curve_fit拟合实值函数：

# 示例：生成模拟数据（替换为你的实验数据）
x_data = np.linspace(-5, 5, 200)
true_a, true_x0, true_tau_p, true_b = 3, 0, 2, 0.5
y_data = func_M_real(x_data, true_a, true_x0, true_tau_p, true_b) + np.random.normal(0, 0.1, len(x_data))

# 设置初始参数
initial_guess = [np.max(y_data), np.mean(x_data), 2.5, 0.3]

# 执行拟合
popt, pcov = curve_fit(func_M_real, x_data, y_data, p0=initial_guess)

# 输出拟合参数
a_fit, x0_fit, tau_p_fit, b_fit = popt
print(f"拟合参数：a={a_fit:.3f}, x0={x0_fit:.3f}, tau_p={tau_p_fit:.3f}, b={b_fit:.3f}")

4. 验证拟合结果 #

通过绘图对比原始数据与拟合曲线：

import matplotlib.pyplot as plt

y_fit = func_M_real(x_data, *popt)
plt.scatter(x_data, y_data, label='实验数据', s=5)
plt.plot(x_data, y_fit, 'r-', label='拟合曲线')
plt.legend()
plt.xlabel('x')
plt.ylabel('y')
plt.show()

注意事项 #

• 若拟合不收敛，优先检查初始参数是否合理，可通过bounds参数限制参数范围
• 若实验数据存在噪声，可传入sigma参数指定数据误差估计，提升拟合精度

内容的提问来源于stack exchange，提问作者Fernando Sánchez Avilés