使用scipy.minimize拟合三高斯模型遇参数传递错误求助

嘿，我来帮你搞定这个问题！你遇到的错误核心是目标函数的参数结构和scipy.minimize的调用方式不匹配，还有几个其他小问题需要调整，咱们一步步来：

错误原因分析 #

1. 错误的函数调用方式：你在minimize里传的是sumGauss(x, y)，这会直接执行这个函数并把结果传给minimize，但minimize需要的是一个可调用的函数对象，而不是函数执行后的结果。这直接导致sumGauss执行时args为空，所以解包9个参数时失败。
2. 目标函数参数顺序错误：scipy.minimize要求目标函数的第一个参数是待优化的参数数组，额外的数据集（比如x、y）需要通过args参数传递，而不是反过来。
3. 目标函数返回值不对：你当前返回的是残差数组，但minimize默认需要一个标量值来最小化——我们通常会最小化残差的平方和（这样才是标准的拟合误差）。
4. 错误使用了Rosenbrock函数的导数/海森矩阵：rosen_der和rosen_hess是专门给Rosenbrock测试函数用的，和你的高斯拟合完全不相关，不能直接用在这儿。

修正后的完整代码 #

import numpy
from matplotlib import pyplot
from scipy.optimize import minimize

# 实验数据
x = numpy.arange(0, 55)
y = [-0.00058032, -0.00063992, -0.00057869, -0.00058395, -0.00053528, -0.0002694, -0.0003716, -0.000284, 0.00104651, 0.00209935, 0.00360213, 0.00502779, 0.00625538, 0.00715873, 0.00753231, 0.00712235, 0.00689089, 0.0061677, 0.00544124, 0.00478251, 0.00487787, 0.00415067, 0.00368579, 0.00370327, 0.00323007, 0.0029862, 0.00250529, 0.00219493, 0.00212242, 0.00209026, 0.0020827, 0.00204044, 0.00218628, 0.00236552, 0.00245056, 0.00282404, 0.0031072, 0.00332862, 0.00351655, 0.00367349, 0.00387923, 0.00395812, 0.00388796, 0.00379902, 0.00369458, 0.00350222, 0.00337815, 0.0032241, 0.00306897, 0.00294152, 0.00276761, 0.00257586, 0.00231613, 0.00211727, 0.00190347]

# 目标函数：计算残差的平方和（最小化这个值）
def sumGauss(params, x, y):
    # params是待优化的参数数组，解包成各个高斯参数
    m1, m2, m3, s1, s2, s3, k1, k2, k3 = params
    # 计算三个高斯的和
    gauss_sum = (k1 * numpy.exp(-(x - m1)**2 / (2 * s1**2)) +
                 k2 * numpy.exp(-(x - m2)**2 / (2 * s2**2)) +
                 k3 * numpy.exp(-(x - m3)**2 / (2 * s3**2)))
    # 返回残差的平方和（这是我们要最小化的标量）
    return numpy.sum((gauss_sum - y)**2)

# 初始猜测值
initial_values = [15, 29, 43, 1, 1, 1, 0.007, 0.002, 0.004]
# 调整了初始的k值，更接近数据的峰值，有助于拟合收敛

# 调用minimize：第一个参数是目标函数，第二个是初始值，args传递额外的x和y
res = minimize(sumGauss, initial_values, args=(x, y), 
               method='L-BFGS-B',  # 换一个更适合曲线拟合的方法，不需要自定义jac/hess
               options={'gtol': 1e-8, 'disp': True})

# 打印拟合结果
print("拟合得到的参数：")
print(res.x)

# 绘制拟合结果
fit_y = (res.x[6] * numpy.exp(-(x - res.x[0])**2 / (2 * res.x[3]**2)) +
         res.x[7] * numpy.exp(-(x - res.x[1])**2 / (2 * res.x[4]**2)) +
         res.x[8] * numpy.exp(-(x - res.x[2])**2 / (2 * res.x[5]**2)))

pyplot.scatter(x, y, label='实验数据')
pyplot.plot(x, fit_y, 'r-', label='拟合曲线')
pyplot.legend()
pyplot.show()

关键调整点说明 #

• 目标函数参数顺序：把待优化的params放在第一个位置，x和y作为后续参数，通过minimize的args=(x,y)传递给目标函数。
• 返回残差平方和：这样minimize才有一个标量值可以最小化，符合拟合的需求。
• 移除错误的jac/hess参数：我们用了L-BFGS-B方法，它会自动计算近似的导数，不需要手动指定（而且你之前用的Rosen函数的导数完全不匹配）。
• 优化初始猜测值：调整了k1/k2/k3的初始值，更接近数据的实际峰值，能帮助拟合算法更快收敛。

运行结果说明 #

运行后你会看到拟合的参数输出，同时会弹出图像显示实验数据和拟合曲线的对比。如果拟合效果还不够理想，可以尝试调整初始值，或者换用其他minimize方法（比如'Nelder-Mead'）。

内容的提问来源于stack exchange，提问作者Dusan Kojic