scipy curve_fit参数协方差无法估计问题求助

问题根源分析 #

出现OptimizeWarning: Covariance of the parameters could not be estimated警告的核心原因包括：

• 未提供合理的初始参数猜测，优化器从默认值（全1）出发无法收敛到有效解
• 输入数据包含负磁场值，导致函数内的幂运算产生复数，干扰拟合逻辑
• 模型参数无约束，优化器可能进入无意义的参数空间
• 复杂函数的参数间存在相关性，导致无法唯一确定参数值

针对性解决方案 #

1. 启用并优化初始参数 #

你的代码中已有合理的初始参数p0，需取消注释并根据数据特征微调：

p0 = [50000, 15000, 0.3, 1.5, 1.2]  # 更贴合数据的初始猜测

2. 添加参数边界约束 #

为参数设置物理上合理的范围（所有参数均为正数），避免优化器进入无效区域：

bounds = (0, [1e6, 1e6, 10, 10, 10])  # 下限全为0，上限根据物理意义设置

3. 处理异常数据点 #

第一个数据点的负磁场会导致幂运算产生复数，可选择移除该点或修改函数兼容负磁场：

# 移除负磁场数据点（推荐）
var = var[var['H(T)'] >= 0]

4. 优化函数数值稳定性 #

对函数内的幂运算添加保护，避免复数或数值溢出：

def func2(b, Jc1, Jc2, Bl, Bm, y):
    b_pos = np.maximum(b, 0)  # 确保磁场非负
    ratio = b_pos / Bm
    term1 = Jc1 * np.exp(-b_pos / Bl)
    term2 = Jc2 * ratio * np.exp((1/y) * (1 - np.power(ratio, y)))
    return term1 + term2

修正后的完整代码 #

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

# 读取数据
var = pd.read_excel("Data.xlsx")
print(var)

# 移除负磁场数据点
var = var[var['H(T)'] >= 0]
x1 = var['H(T)'].values
y1 = var['J (A/cm^2)'].values

# 稳定版拟合函数
def func2(b, Jc1, Jc2, Bl, Bm, y):
    b_pos = np.maximum(b, 0)
    ratio = b_pos / Bm
    term1 = Jc1 * np.exp(-b_pos / Bl)
    term2 = Jc2 * ratio * np.exp((1/y) * (1 - np.power(ratio, y)))
    return term1 + term2

# 初始参数与边界约束
p0 = [50000, 15000, 0.3, 1.5, 1.2]
bounds = (0, [1e6, 1e6, 10, 10, 10])

# 执行拟合
popt1, pcov1 = curve_fit(func2, x1, y1, p0=p0, bounds=bounds)
print("拟合参数：", popt1)

# 绘制结果（使用平滑x轴提升曲线美观度）
plt.plot(x1, y1, 'b*', label='实验数据')
x_smooth = np.linspace(min(x1), max(x1), 100)
plt.plot(x_smooth, func2(x_smooth, *popt1), 'k--', label='拟合曲线')

plt.xlabel('磁场(T)')
plt.ylabel('临界电流密度Jc (A/cm^2)')
plt.title('77K下Jc随磁场变化曲线')
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.savefig('fitJc77K.png')
plt.show()

额外优化建议 #

• 若需保留负磁场数据，可修改函数在b<0时直接返回Jc1（符合b=0时的函数值）
• 尝试固定部分参数（如y=1）简化模型，观察拟合效果后再逐步放开参数
• 可使用scipy.optimize.least_squares替代curve_fit，提升复杂模型的拟合稳定性

内容的提问来源于stack exchange，提问作者Santiago G.