Gnuplot高斯拟合算法失效问题求助

你的拟合问题核心在于参数尺度不匹配和b与x0的强相关性，导致Levenberg-Marquardt算法无法有效调整参数。以下是具体原因和解决方法：

核心问题 #

1. 参数尺度失衡：x0的数值量级为1e9，而sigma为1e4、b为1e5，这种巨大的尺度差异会让x0的导数变得极小，算法难以感知其变化对拟合结果的影响。
2. 参数强相关：拟合日志中b与x0的相关系数为1.000，意味着调整x0的微小变化可以通过b的补偿来维持卡方值不变，算法无法区分二者的独立影响，因此不会更新参数。

解决方案 #

1. 固定已知的x0值 #

你的数据完全对称于x0=2442000000，直接固定该参数，仅拟合b和sigma即可消除相关性问题：

# 定义高斯函数
g(x) = b/(sigma*sqrt(2.*pi))*exp(-(x-x0)**2./(2.*sigma**2))

# 初始化参数（x0固定）
b = 700000
sigma = 12000
x0 = 2442000000

# 仅拟合b和sigma
fit g(x) "MyData.csv" via b,sigma

# 绘制结果
plot "MyData.csv", g(x)

此方法会将b调整至约752000，使拟合曲线的峰值与数据的25完全匹配。

2. 缩放x变量 #

将x值中心化，减小数值量级，改善参数的数值稳定性：

# 将x平移至以0为中心
t(x) = x - 2442000000

# 使用缩放后的x定义高斯函数
g(x) = b/(sigma*sqrt(2.*pi))*exp(-(t(x))**2./(2.*sigma**2))

# 初始化参数
b = 700000
sigma = 12000

# 拟合参数
fit g(x) "MyData.csv" via b,sigma

# 绘制结果
plot "MyData.csv", g(x)

若未知x0，可将其加入拟合参数（t(x)=x-x0，via b,sigma,x0），缩放仍能有效改善算法的收敛性。

3. 重新参数化高斯函数 #

改用峰值振幅A替代积分参数b，参数尺度更贴合数据特征，便于算法拟合：

# 用峰值振幅A定义高斯函数
g(x) = A * exp(-(x-x0)**2./(2.*sigma**2))

# 初始化参数
A = 23  # 接近数据峰值25
sigma = 12000
x0 = 2442000000

# 拟合所有参数
fit g(x) "MyData.csv" via A,sigma,x0

# 若需要，计算原参数b
b = A * sigma * sqrt(2.*pi)
print "计算得到的b值: ", b

# 绘制结果
plot "MyData.csv", g(x)

此方法会快速收敛到A=25，完美匹配数据峰值。

内容的提问来源于stack exchange，提问作者Thern