三指数衰减拟合时Non-linear Least Squares fit不收敛问题咨询

• 最小化函数fun逻辑错误：你定义的入参x, t, y完全没有被使用，函数内部硬编码了全局变量x_data、y_data，且待优化的拟合参数没有从参数数组x中拆分取值，导致无论x怎么调整，返回的残差都不会变化，优化器无法迭代更新参数。
• 初始参数数组x0引用了未定义的变量：A21、T21等变量没有提前赋值，应该对应你之前设置的初始猜测值b1、c1、b2、c2、b3、c3、y0。

import numpy as np
import matplotlib.pyplot as plt
import math
from scipy.optimize import least_squares

def Intensity(x_data, A21, T21, A22, T22, A23, T23, y0):
    I_model=A21*np.exp(-x_data/T21)+A22*np.exp(-x_data/T22)+A23*np.exp(-x_data/T23)+y0
    return I_model


# 生成示例数据集（可替换为读取csv数据的逻辑）
def gen_data(t, b1, c1, b2, c2, b3, c3, y0, noise=0, n_outliers=0, random_state=0):
    y = b1 * np.exp(-t / c1) + b2 * np.exp(-t / c2) + b3 * np.exp(-t / c3)+y0
    rnd = np.random.RandomState(random_state)
    error = noise * rnd.randn(t.size)
    outliers = rnd.randint(0, t.size, n_outliers)
    error[outliers] *= 10
    return y + error

# 初始猜测参数
y0 = 0.5
b1 = 0.25
c1 = .01
b2 = 0.4
c2 = .3
b3 = 0.35
c3 = 10

t_min = -3
t_max = 2
n_points = 1000

x_data = np.logspace(t_min, t_max, n_points)
y_data = gen_data(x_data, b1, c1, b2, c2, b3, c3, y0, noise=0.1, n_outliers=3) 

# 修复后的最小化函数：拆分参数x，使用传入的t、y变量
def fun(x, t, y):
    A21, T21, A22, T22, A23, T23, y0 = x
    return Intensity(t, A21, T21, A22, T22, A23, T23, y0) - y 

# 修复初始参数数组：使用提前定义的初始猜测值
x0 = np.array([b1, c1, b2, c2, b3, c3, y0])

# 可选优化：增加参数边界限制，所有参数都为正数，避免拟合出现无意义的负值
bounds = (
    [0, 1e-4, 0, 1e-4, 0, 1e-4, 0],
    [1, 1e2, 1, 1e2, 1, 1e2, 1]
)
res_lsq = least_squares(fun, x0, args=(x_data, y_data), bounds=bounds) 

y_lsq = Intensity(x_data, *res_lsq.x)

# 可打印拟合结果验证
print("拟合得到的参数：", res_lsq.x)

多指数衰减拟合本身存在参数可辨识性差的问题，如果你使用自己的实验数据拟合出现结果偏离预期的情况，可以尝试：

• 调整初始猜测值，尽量和实际物理意义匹配
• 收紧参数的上下边界范围
• 如果数据噪声较大，可以换用鲁棒性更强的损失函数，比如在least_squares中设置loss='huber'

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