curve_fit无法估计一阶系统参数协方差，拟合效果差求助

我尝试拟合形式为y = A(1-exp(-t/tau))+A0的一阶模型，但curve_fit报错：

Covariance of the parameters could not be estimated

且拟合效果极差，怀疑是默认参数不够稳健，附上代码与数据：

原始数据 #

Time (s)    Ads 1   Ads 2   Ads 3   Des 1   Des 2   Des 3   Des 4
0   0   18.979  18.979  18.979  19.034  19.042  19.026  19.028
1   30  18.997  18.993  18.993  19.023  19.019  19.015  NaN
2   45  19.004  18.997  19.000  19.021  19.018  19.012  NaN
3   60  19.009  19.003  19.007  19.020  19.012  19.012  19.011
4   75  19.013  19.007  19.012  19.019  19.011  19.010  19.009
5   90  19.016  19.010  19.015  19.018  19.009  19.009  19.008
6   300 19.022  19.022  19.028  NaN 18.990  18.989  18.990
7   600 NaN NaN NaN NaN 18.984  NaN NaN

拟合代码 #

time = df['Time (s)']
def first_order(t,A,tau=100,A0=1):
    t0 = t[0]
    y = A*(1-np.exp(-(t-t0)/tau))+A0
    return y
parameters, covariance = curve_fit(first_order, time, df["Des 2"])
plt.plot(time,df["Des 2"])
plt.plot(np.linspace(time[0],time[-1:],100),first_order(np.linspace(time[0],time[-1:],100),*parameters),'--')

当前拟合结果 #

问题根源 #

1. 模型与数据趋势完全不匹配：Des 2数据是单调下降的，但当前模型是单调递增至饱和的曲线，完全不符合数据规律，这是拟合失败的核心原因。
2. 初始参数严重偏离实际：默认参数A0=1和数据的y值范围（18.98-19.04）差距极大，导致拟合算法无法找到收敛方向。
3. NaN值干扰：数据中存在缺失值，虽不直接报错，但会降低拟合稳定性。

修正方案 #

1. 调整模型为衰减形式

针对脱附过程的下降趋势，改用符合物理意义的衰减模型：

def first_order_decay(t, A_sat, tau, A0):
    t0 = t[0]
    # A0为初始值，A_sat为饱和基线值，tau为衰减时间常数
    y = A_sat + (A0 - A_sat) * np.exp(-(t - t0)/tau)
    return y

2. 清理数据并设置合理初始参数

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

# 清理NaN数据
mask = ~np.isnan(df["Des 2"])
time_clean = time[mask]
des2_clean = df["Des 2"][mask]

# 根据数据范围给出初始猜测：A_sat≈18.98，tau≈100，A0≈19.04
p0 = [18.98, 100, 19.04]
parameters, covariance = curve_fit(first_order_decay, time_clean, des2_clean, p0=p0)

# 提取拟合参数
A_sat_fit, tau_fit, A0_fit = parameters
print(f"拟合参数：饱和基线A_sat={A_sat_fit:.4f}，时间常数tau={tau_fit:.1f}，初始值A0={A0_fit:.4f}")

3. 重新可视化拟合结果

plt.plot(time_clean, des2_clean, 'o', label='原始数据')
t_fit = np.linspace(time_clean.min(), time_clean.max(), 100)
plt.plot(t_fit, first_order_decay(t_fit, *parameters), '--', label='拟合曲线')
plt.xlabel('Time (s)')
plt.ylabel('Des 2')
plt.legend()
plt.show()

额外建议 #

• 如果仍出现协方差估计问题，可增加迭代次数：curve_fit(..., maxfev=10000)
• 若拟合仍不稳定，改用scipy.optimize.least_squares，它对非凸优化问题的鲁棒性更强。

内容的提问来源于stack exchange，提问作者ZucchiniLord