如何将数据点拟合到y=ae^(px+qx²)模型？curve_fit拟合失败求助

• 模型参数尺度差异极大：a的数量级在1e-140左右，p、q的数量级为10^0~101，curve_fit默认的Levenberg-Marquardt优化算法对参数尺度差异非常敏感，即便初值接近也很容易陷入数值不稳定的情况，导致拟合失败。
• 指数项计算会出现极大/极小值，进一步加剧浮点数精度问题，导致优化器迭代步长异常。

方案1：对数变换转线性拟合（最稳妥，不需要初值） #

你的模型本身属于对数线性模型，直接对两边取自然对数即可转换为二次多项式线性回归问题，完全规避非线性拟合的数值问题：

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

k = 0.00008617
def NormalizeData(data):
    # 归一化时加微小偏移避免y为0，防止取对数报错
    norm = (data - np.min(data)) / (np.max(data) - np.min(data))
    return norm + 1e-10

def C_to_A(C):
    return -1/(k*(C+273))

def model(x, a, p,q):
    return a*np.exp(p*x+q*x**2)

# 输入数据
x = C_to_A(np.array([11, 11, 11,15,15,15,20,20,20,25,25,25,29,29,29]))
y = NormalizeData(np.array([2.048, 1.56, 1.18, 2.6116,2.35,2.1036,2.97, 2.97, 2.97, 2.463,2.05,1.6679,1.825,1.0939,0.534]))

# 对数变换后做二次线性拟合
log_y = np.log(y)
# 构造X矩阵：[常数项, x, x²]
X = np.vstack([np.ones_like(x), x, x**2]).T
# 最小二乘求解
coeffs, _, _, _ = np.linalg.lstsq(X, log_y, rcond=None)
a_fit = np.exp(coeffs[0])
p_fit = coeffs[1]
q_fit = coeffs[2]
print(f"拟合得到的参数：a={a_fit}, p={p_fit}, q={q_fit}")

# 绘图
xx = np.linspace(-50, -35)
yy = model(xx, a_fit, p_fit, q_fit)
plt.plot(x, y, 'o', label='原始数据')
plt.plot(xx, yy, label='拟合曲线')
plt.title('Exponential Fit')
plt.ylim(0,1.1)
plt.xlim(-50,-35)
plt.grid()
plt.legend()
plt.show()

方案2：调整curve_fit参数继续使用非线性拟合 #

如果必须使用curve_fit，可以增加边界约束、更换更适配的优化器：

# 初始值沿用你手动测试的结果
p0 = (9.7e-140, -16, -0.2)
# 增加参数边界约束，使用trf优化器
popt, pcov = curve_fit(model, x, y, p0=p0, 
                       bounds=([1e-145, -20, -1], [1e-135, -10, 0]),
                       method='trf')
print(f"curve_fit拟合得到的参数：a={popt[0]}, p={popt[1]}, q={popt[2]}")

你原来的代码中x的实际取值范围在-49到-38左右，绘图的xlim设置成(-50,32)是错误的，32远大于x的实际范围，会导致拟合曲线在无数据区域显示异常，建议调整为xlim(-50,-35)即可。

内容的提问来源于stack exchange，提问作者Rami2314