Python中带递增振荡余弦函数的数据拟合优化咨询

优化初始参数猜测 #

curve_fit的拟合结果高度依赖初始参数guess，若初始值偏离最优解，极易陷入局部最优。针对你的函数，可根据数据特征设置更合理的初始值：

• 观察x趋近于0时的y值（如x=0.1时y≈0.91），i0可设为接近该稳态值的数（比如0.9）；
• w1是指数衰减与余弦项的共同尺度，从x>0.8的波动周期看，初始值可设为0.2；
• a为余弦项振幅，参考x>0.8区域y值的波动范围（-7.46到0.06），初始值设为5左右；
• ph（相位偏移）初始值设为0.1，off（整体偏移）参考y的平均水平设为-2。

示例初始猜测代码：

guess = [0.9, 5, 0.2, 0.1, -2]

拆分函数共享参数 #

当前函数中指数衰减项和余弦项共享同一个w1，这可能限制拟合灵活性——指数衰减的特征尺度与余弦波动的周期未必一致。建议将两者的尺度参数分离，修改函数为：

def expcos(x, i0, a, w_exp, w_cos, ph, off):
    return i0 + (1-i0)*np.exp(-x/w_exp) + a*np.cos((2*np.pi/w_cos)*(x - ph)) + off

这样指数衰减速率和余弦波动周期可独立拟合，更适配x>0.8区域的波动与衰减特征。

为高关注区域添加拟合权重 #

x>0.8部分数据波动大，但默认curve_fit采用等权重拟合。可手动设置权重，让拟合更侧重该区域：

import numpy as np
from scipy.optimize import curve_fit

# 生成权重数组：x>0.8的点权重设为2，其余为1
weights = np.where(np.array(x) > 0.8, 2, 1)
# 带权重拟合
popt, pcov = curve_fit(expcos, x, y, guess, sigma=1/weights)

排查数据异常值 #

观察x>0.8的y值，x=1.14990234对应的y=-7.46744701与相邻点偏差显著，可能是异常值。尝试移除该点后再拟合，验证是否能提升效果：

# 过滤异常点
x_filtered = [val for val in x if val != 1.14990234]
y_filtered = [y[i] for i, val in enumerate(x) if val != 1.14990234]
# 重新拟合
popt, pcov = curve_fit(expcos, x_filtered, y_filtered, guess)

内容的提问来源于stack exchange，提问作者Krystal