未知振荡周期下提取振荡函数最大值完成线性拟合求解衰减参数a

• 核心思路：无需提前已知振荡周期，直接调用成熟的峰值检测接口提取所有有效极大值点，再做拟合即可

1. 所需依赖 #

用到的Python库均为常用的科学计算包：

• numpy：数值计算
• scipy.signal.find_peaks：峰值检测
• scipy.stats.linregress：线性拟合，也可选用scipy.optimize.curve_fit做指数拟合
• 可选：matplotlib 用于结果可视化

2. 完整实现代码 #

import numpy as np
from scipy.signal import find_peaks
from scipy.stats import linregress

# 此处为模拟数据生成逻辑，使用时替换为你自己的x、y实测数据即可
x = np.linspace(0, 10, 1000)
a_real, b_real = 0.3, 5
# 加入高斯噪声模拟实际采集数据的噪声特征
y = np.exp(-a_real * x) * np.abs(np.cos(b_real * x)) + np.random.normal(0, 0.02, size=len(x))

# 步骤1：提取峰值
# 可根据你的数据特征调整参数：
# distance：两个峰之间的最小采样点数，用于过滤相邻假峰
# height：峰值的最小高度，用于过滤噪声产生的无效小峰
peaks, _ = find_peaks(y, distance=len(x)//20, height=np.max(y)*0.05)
peak_x = x[peaks]
peak_y = y[peaks]

# 步骤2：方案二：对峰值取对数后做线性拟合，计算稳定性更高
log_peak_y = np.log(peak_y)
slope, intercept, r_value, p_value, std_err = linregress(peak_x, log_peak_y)
a_calc = -slope
print(f"拟合得到的参数a值为：{a_calc:.4f}")

# 若选用方案一：直接对峰值做指数拟合，使用下方代码即可
# from scipy.optimize import curve_fit
# def exp_func(x, a):
#     return np.exp(-a * x)
# popt, _ = curve_fit(exp_func, peak_x, peak_y, p0=[0.1])
# a_calc = popt[0]
# print(f"拟合得到的参数a值为：{a_calc:.4f}")

3. 异常情况调整说明 #

如果数据噪声过大出现假峰、漏峰问题，可做如下优化：

1. 调整find_peaks的distance和height参数，适配你的数据特征
2. 峰值检测前先对原始y序列做滑动平均平滑处理，过滤高频噪声后再检测峰值，识别准确率会明显提升

内容的提问来源于stack exchange，提问作者Gundro