Scipy曲线拟合中如何约束多指数分量系数和为1并对比拟合效果
多分量指数拟合(带权重和为1约束)实现方案
核心逻辑修正
首先要明确你对约束的物理定义:
你提到的「各系数a+b+...+n=1为组分占比」,本质是指t=0时刻不同衰减分量的相对贡献加和为1。由于你的实验数据y是绝对强度量级,不能直接让分量系数和为1(否则拟合得到的y值最大仅为1,和你百万级的实验数据完全不匹配),因此完整的拟合公式需要引入全局幅度缩放参数A,实际形式为:
y = A * (w₁e^(-x/t₁) + w₂e^(-x/t₂) + ... + wₙe^(-x/tₙ))
其中约束条件:w₁+w₂+...+wₙ=1,所有wᵢ≥0,所有tᵢ>0
这种结构不需要硬传非线性约束,只要把最后一个权重wₙ表示为 wₙ = max(0, 1 - sum(w₁到wₙ₋₁)),就能自动满足和为1的要求,同时避免出现负权重的无效结果。
通用拟合代码实现
import numpy as np import matplotlib.pyplot as plt from scipy.optimize import curve_fit from sklearn.metrics import r2_score # 实验数据(注意修正长度不匹配问题:当前x共23个元素,y2仅21个元素,需要先对齐长度) x = np.array([0.0001, 0.0004, 0.0006, 0.0008, 0.001, 0.0015, 0.002, 0.004, 0.006, 0.008, 0.01, 0.05, 0.1, 0.2, 0.5, 0.6, 0.8, 1, 1.5, 2, 4, 6, 8]) y1 = np.array([5176350.00, 5144208.69, 4998297.04, 4787100.79, 4555731.93, 4030741.17, 3637802.79, 2949911.45, 2816472.26, 2831962.09, 2833262.53, 2815205.34, 2610685.14, 3581566.94, 1820610.74, 2100882.80, 1762737.50, 1558251.40, 997259.21, 977892.00, 518709.91, 309594.88, 186184.52]) def multi_exp_fit(x, A, *params): """N分量通用指数拟合函数,自动满足权重和为1的约束 参数顺序:A, w1, w2,...,w(n-1), t1, t2,...,tn """ n_comp = len(params) // 2 weights = list(params[:n_comp]) taus = list(params[n_comp:]) # 自动计算最后一个权重,保证总权重和为1 last_w = max(1 - sum(weights), 0) all_w = weights + [last_w] # 计算拟合值 y_pred = np.zeros_like(x, dtype=np.float64) for w, t in zip(all_w, taus): y_pred += A * w * np.exp(-x / t) return y_pred def run_fit(x, y, n_components): """运行指定分量数的拟合,返回拟合参数、拟合优度指标 """ n_params = 1 + (n_components -1) + n_components # 全局A + n-1个权重 + n个tau # 设置参数边界:A>0,权重范围0-1,tau>0 bounds_lower = [0] + [0]*(n_components-1) + [1e-6]*n_components bounds_upper = [np.inf] + [1]*(n_components-1) + [np.inf]*n_components # 设置初始猜测值,避免陷入局部最优 p0 = [np.max(y)] + [1/n_components]*(n_components-1) + [np.max(x)/n_components * (i+1) for i in range(n_components)] # 执行拟合 popt, pcov = curve_fit(multi_exp_fit, x, y, p0=p0, bounds=(bounds_lower, bounds_upper), maxfev=10000) # 计算拟合值 y_pred = multi_exp_fit(x, *popt) # 计算评价指标 r2 = r2_score(y, y_pred) adj_r2 = 1 - (1 - r2) * (len(x) -1) / (len(x) - n_params -1) aic = len(x) * np.log(np.sum((y - y_pred)**2)/len(x)) + 2*n_params return popt, r2, adj_r2, aic, y_pred # 依次运行1-4分量的拟合 results = [] for n in [1,2,3,4]: popt, r2, adj_r2, aic, y_pred = run_fit(x, y1, n) results.append({"n_components":n, "r2":r2, "adj_r2":adj_r2, "aic":aic, "popt":popt}) print(f"--- {n}个分量拟合结果 ---") print(f"R²: {r2:.4f}, 调整R²: {adj_r2:.4f}, AIC: {aic:.1f}") # 绘制对比图 plt.figure(figsize=(10,6)) plt.plot(x, y1, 'bo', label='实验原始数据') color_list = ['r','g','orange','purple'] for idx, res in enumerate(results): n = res["n_components"] y_pred = multi_exp_fit(x, *res["popt"]) plt.plot(x, y_pred, color=color_list[idx], label=f'{n}分量拟合, R²={res["r2"]:.3f}') plt.xlabel('x') plt.ylabel('y') plt.legend() plt.show()
最优分量数判断标准
不要仅通过R²选择拟合模型(R²会随分量数增加单调上升,极易过拟合),优先选择满足以下条件的最小分量数:
- 调整R²达到峰值(继续增加分量时调整R²不再上升甚至下降)
- AIC值达到最低点
- 拟合残差无系统性趋势(随机分布在0值附近)
- 所有时间常数tᵢ的置信区间不包含0或无穷大
常见踩坑提示
- 多指数拟合是典型的病态问题,分量数最多不要超过实验时间窗口覆盖的独立衰减段数量,通常3-4个分量已经是精度上限,再多会出现参数不收敛、tau值无物理意义的问题
- 拟合前可以把x轴和y轴做对数变换,观察曲线上的线性段数量,初步判断需要的分量数
- 如果拟合结果出现两个tau值几乎相等的情况,说明分量设置冗余,可以减少1个分量重新拟合
内容的提问来源于stack exchange,提问作者user9251343
相关产品推荐
相关产品推荐

