Python高斯拟合对小峰宽及偏右峰位拟合结果不准确问题求解

问题根本原因 #

你遇到的拟合失效是scipy.optimize.curve_fit的默认初始参数导致的：不手动指定初始值时，该函数会给所有待拟合参数（a、x0、sigma）默认赋值为1，和真实参数偏差极大时，迭代过程会直接收敛到错误的局部极小值，最终输出接近直线的错误拟合结果。当峰宽过窄、峰位偏离中心区域时，默认初始值和真实值的差距会被进一步放大，因此容易触发拟合失效。

修复方案 #

仅需要给拟合过程增加合理的初始参数猜测和参数边界约束即可适配你提到的所有场景，修改逻辑如下：

• 初始参数直接从噪声数据中估算：负峰振幅取噪声数据最小值与均值的差，峰位取噪声数据最低点对应的x坐标，峰宽根据业务场景给合理初始值
• 增加参数边界约束，避免拟合过程中参数跑到物理意义不存在的范围（比如吸收峰振幅为正、sigma为负等）

修改后完整代码 #

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

def func(x, a, x0, sigma):
    return a*np.exp(-(x-x0)**2/(2*sigma**2))

# 可自由调整的参数，修改后拟合仍有效
amplitude=-10
peak_width=10 # 调为10也可正常拟合
x_peak_loc=160 # 右移到160也可正常拟合

# 生成带噪声的测试数据
x = np.linspace(0, 200, 1000)
y = func(x, amplitude,x_peak_loc, peak_width)
mn = 0
N=0.2
std=np.sqrt(N)
noise2=np.random.normal(mn,std,size=len(x))
yn = y + noise2

# 绘制原始数据
fig = mpl.figure(1)
ax = fig.add_subplot(111)
ax.plot(x, y, c='k', label='analytic function')
ax.scatter(x, yn, s=5, label='fake noisy data')

# ==========核心修改部分==========
# 1. 从噪声数据估算初始参数
p0_a = np.min(yn) - np.mean(yn) # 负峰振幅初始值
p0_x0 = x[np.argmin(yn)] # 峰位初始值
p0_sigma = 15 # 峰宽初始值，可根据实际场景调整范围
p0 = [p0_a, p0_x0, p0_sigma]

# 2. 增加参数边界约束：[振幅下限, 峰位下限, sigma下限], [振幅上限, 峰位上限, sigma上限]
bounds = ([-30, 0, 1], [0, 200, 60])

# 3. 带初始值和边界的拟合
popt, pcov = curve_fit(func, x, yn, p0=p0, bounds=bounds)
# ==========核心修改结束==========

print(popt)
ym = func(x, popt[0], popt[1], popt[2])
ax.plot(x, ym, c='r', label='Best fit')
ax.legend()
plt.xlabel("v")
plt.ylabel("f(v)")
fig.savefig('model_fit.png')
plt.show()

额外优化建议 #

如果后续需要处理更复杂的多峰、极低信噪比光谱，可额外增加以下操作：

• 先对噪声数据做滑动平均平滑，再用平滑后的数据估算初始参数
• 半高宽和sigma的转换关系为FWHM = 2*sqrt(2*ln2)*sigma ≈ 2.3548*sigma，可通过识别半高位置直接估算sigma的初始值，进一步提升拟合稳定性

内容的提问来源于stack exchange，提问作者Jerome