正弦曲线拟合效果不佳求助：如何获取精准拟合结果

我正在对两个具有正弦特性的数据集进行曲线拟合，使用Python结合numpy、matplotlib及scipy.optimize.curve_fit工具实现，当前代码如下：

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

# Define sinusoidal function
def test(x,a,b,c,d):
    return a*np.sin(b*x+c)+d

# Grab data
datos = np.loadtxt('data_12_rot_norm',dtype=float)

# Convert data into vectors
ang = []; fib1 = []; fib2 = []
for i in range(datos.shape[0]):
    ang = np.append(ang,datos[i][0])
    fib1 = np.append(fib1,datos[i][1])
    fib2 = np.append(fib2,datos[i][2])
# Perform the curve fit
param,param_cov = curve_fit(test,ang,fib1) # fib1 is the variable, repeat for fib2

# Print the fitted parameters
print("Sine function coefficients:")
print(param)
print("Covariance of coefficients:")
print(param_cov)

# Plot the data and the fitted curve
plt.scatter(ang,fib1,s=5,color='blue',label='Data') # idem
plt.plot(ang,test(ang, *param),linewidth=1,color='red',label='Fit')
plt.ylim(0,1)
plt.legend()
plt.show()

拟合结果 #

从图中可见，两个数据集均呈现明显的正弦特征，但拟合效果较差。我曾尝试删除拟合函数中的一个参数，但并未解决问题。现寻求解决方案，期望得到覆盖0-1区间、包含偏移量的精准正弦拟合曲线。

解决方案 #

1. 提供初始参数猜测
   curve_fit默认初始参数全为1，容易陷入局部最优。根据数据范围（y∈[0,1]），给出合理初始值：

   • 振幅a：0.5（正弦波动范围±0.5，加偏移后覆盖0-1）
   • 角频率b：根据数据周期估算（比如数据有1个完整周期则设为1）
   • 相位c：0
   • 偏移量d：0.5
     修改拟合代码：

   initial_guess = [0.5, 1, 0, 0.5]
   param, param_cov = curve_fit(test, ang, fib1, p0=initial_guess)
   

2. 约束参数范围
   通过bounds限制参数在合理区间，避免拟合出不符合预期的结果：

   bounds = ([-0.5, 0, -np.pi, 0], [0.5, 10, np.pi, 1])
   param, param_cov = curve_fit(test, ang, fib1, p0=initial_guess, bounds=bounds)
   

   这里限制振幅a在±0.5，角频率b为正，相位c在[-π, π]，偏移量d在0-1。

3. 优化数据处理
   原循环+np.append效率极低，改用numpy切片直接提取数据：

   ang = datos[:, 0]
   fib1 = datos[:, 1]
   fib2 = datos[:, 2]
   

4. 评估拟合质量
   绘制残差图验证拟合效果：

   residuals = fib1 - test(ang, *param)
   plt.scatter(ang, residuals, s=5, color='green')
   plt.axhline(y=0, color='red', linestyle='--')
   plt.title('Fit Residuals')
   plt.show()
   

内容的提问来源于stack exchange，提问作者jvalzert