基于Python拟合数据求解LED混光超定非线性方程组的高效方法

优化核心思路 #

将所有LED的二阶拟合参数结构化存储为三维数组，利用numpy向量化运算自动完成所有颜色分量的多LED贡献求和，完全无需手动逐行编写分量表达式，可兼容任意数量的LED、任意数量的颜色分量场景。

实现步骤 #

1. 批量拟合&结构化存储拟合参数 #

首先把所有LED的采集数据统一处理，最终得到维度为(LED总数, 颜色分量总数, 3)的拟合参数数组fit_params，其中fit_params[led_idx][channel_idx]对应第led_idx颗LED、第channel_idx个颜色分量的二阶多项式三个系数（a, b, c，对应计算式a*x² + b*x + c）。
示例批量拟合代码：

import numpy as np
import scipy.optimize as opt

# 配置参数
LED_NUM = 3 # 实际业务替换为40
CHANNEL_NUM = 4 # 实际业务替换为1000
intensity_points = np.array([10, 20, 30]) # 采集的强度校准点

# 所有LED的采集数据统一存储：维度(LED数量, 颜色分量数, 采集强度点数量)
led_raw_data = np.zeros((LED_NUM, CHANNEL_NUM, len(intensity_points)))
# 填充LED1数据
led_raw_data[0] = np.stack((np.array([1.5, 1, 0.5, 0.5]), np.array([2.5, 1.75, 1.2, 1.2]), np.array([3, 2.3, 1.7, 1.7]))).T
# 填充LED2数据
led_raw_data[1] = np.stack((np.array([0.2, 0.8, 0.4, 0.4]), np.array([0.6, 1.6, 0.5, 0.5]), np.array([1.0, 2.0, 0.55, 0.55]))).T
# 填充LED3数据
led_raw_data[2] = np.stack((np.array([1, 0.1, 0.4, 0.4]), np.array([2.5, 0.8, 0.9, 0.9]), np.array([3.25, 1, 1.3, 1.3]))).T

# 批量拟合得到参数数组
fit_params = np.zeros((LED_NUM, CHANNEL_NUM, 3))
for led_idx in range(LED_NUM):
    for channel_idx in range(CHANNEL_NUM):
        # 对当前LED的当前颜色分量做二阶拟合
        fit_params[led_idx, channel_idx] = np.polyfit(intensity_points, led_raw_data[led_idx, channel_idx], 2)

2. 自动构建残差函数求解 #

直接利用numpy的广播机制，一次性计算所有颜色分量的预测值和目标值的残差，无需手动写任何分量表达式：

def residual(intensities, target_channels):
    # intensities: 输入数组，长度为LED总数，每个元素对应一颗LED的强度
    # target_channels: 目标颜色分量数组，长度为颜色分量总数
    # 计算所有LED所有分量的输出：维度为(LED_NUM, CHANNEL_NUM)
    single_led_output = fit_params[:, :, 0] * intensities[:, np.newaxis] ** 2 + fit_params[:, :, 1] * intensities[:, np.newaxis] + fit_params[:, :, 2]
    # 所有LED同分量求和得到预测分量值，减去目标值得到残差
    pred_channels = single_led_output.sum(axis=0)
    return pred_channels - target_channels

# 求解示例
target = np.array([5, 8, 4, 12]) # 替换为实际目标颜色分量
init_intensity = np.ones(LED_NUM) # 初始值可根据业务场景调整
result_intensity = opt.leastsq(residual, init_intensity, args=(target,))[0]

方案优势 #

• 完全适配任意数量的LED和颜色分量，代码无需随硬件规模调整修改
• 避免手动编写表达式容易出现的参数、变量匹配错误（你之前手写的g函数就出现了LED2的参数误乘x1的问题）
• 向量化运算速度远高于手动逐行写表达式的实现，尤其适合1000+颜色分量的高维场景

内容的提问来源于stack exchange，提问作者David_D