6

私はこれまで Matlab を使用してきましたが、Python は実際のプログラミング言語であり、他のいくつかの理由から、最終的にすべての分析を Python で行うことに切り替えることが私のビジョンです。

私が取り組んでいる最近の問題は、複雑なデータの最小二乗最小化を行うことです。私はエンジニアであり、複雑なインピーダンスをかなり頻繁に扱っています。カーブフィッティングを使用して、単純な回路モデルを測定データに適合させようとしています。

インピーダンスの式は次のとおりです。

Z(w) = 1/( 1/R + j*w*C ) + j*w*L

次に、最小二乗曲線が見つかるように R、C、および L の値を見つけようとしています。

optimize.curve_fit や optimize.leastsq などの最適化パッケージを使用してみましたが、複素数では機能しません。

次に、残差関数が複素数データの大きさを返すようにしようとしましたが、これもうまくいきませんでした。

4

2 に答える 2

4

最終的に、目標は、モデルと観測値の差の二乗和の絶対値を減らすことですZ。

abs(((model(w, *params) - Z)**2).sum())

私の最初の答えは、実数と虚数の差の二乗和を表すスカラーを返す関数に 適用leastsqすることを提案しました。residuals

def residuals(params, w, Z):
    R, C, L = params
    diff = model(w, R, C, L) - Z
    return diff.real**2 + diff.imag**2

Mike Sulzer は、float のベクトルを返すresidual 関数を使用することを提案しました。

これらの残差関数を使用した結果の比較は次のとおりです。

from __future__ import print_function
import random
import numpy as np
import scipy.optimize as optimize
j = 1j

def model1(w, R, C, L):
    Z = 1.0/(1.0/R + j*w*C) + j*w*L
    return Z

def model2(w, R, C, L):
    Z = 1.0/(1.0/R + j*w*C) + j*w*L
    # make Z non-contiguous and of a different complex dtype
    Z = np.repeat(Z, 2)
    Z = Z[::2]
    Z = Z.astype(np.complex64)
    return Z

def make_data(R, C, L):
    N = 10000
    w = np.linspace(0.1, 2, N)
    Z = model(w, R, C, L) + 0.1*(np.random.random(N) + j*np.random.random(N))
    return w, Z

def residuals(params, w, Z):
    R, C, L = params
    diff = model(w, R, C, L) - Z
    return diff.real**2 + diff.imag**2

def MS_residuals(params, w, Z):
    """
    https://stackoverflow.com/a/20104454/190597 (Mike Sulzer)
    """
    R, C, L = params
    diff = model(w, R, C, L) - Z
    z1d = np.zeros(Z.size*2, dtype=np.float64)
    z1d[0:z1d.size:2] = diff.real
    z1d[1:z1d.size:2] = diff.imag
    return z1d

def alt_residuals(params, w, Z):
    R, C, L = params
    diff = model(w, R, C, L) - Z
    return diff.astype(np.complex128).view(np.float64)

def compare(*funcs):
    fmt = '{:15} | {:37} | {:17} | {:6}'
    header = fmt.format('name', 'params', 'sum(residuals**2)', 'ncalls')
    print('{}\n{}'.format(header, '-'*len(header)))
    fmt = '{:15} | {:37} | {:17.2f} | {:6}'
    for resfunc in funcs:
        # params, cov = optimize.leastsq(resfunc, p_guess, args=(w, Z))
        params, cov, infodict, mesg, ier = optimize.leastsq(
            resfunc, p_guess, args=(w, Z),
            full_output=True)
        ssr = abs(((model(w, *params) - Z)**2).sum())
        print(fmt.format(resfunc.__name__, params, ssr, infodict['nfev']))
    print(end='\n')

R, C, L = 3, 2, 4
p_guess = 1, 1, 1
seed = 2013

model = model1
np.random.seed(seed)
w, Z = make_data(R, C, L)
assert np.allclose(model1(w, R, C, L), model2(w, R, C, L))

print('Using model1')
compare(residuals, MS_residuals, alt_residuals)

model = model2
print('Using model2')
compare(residuals, MS_residuals, alt_residuals)

収量

Using model1
name            | params                                | sum(residuals**2) | ncalls
------------------------------------------------------------------------------------
residuals       | [ 2.86950167  1.94245378  4.04362841] |              9.41 |     89
MS_residuals    | [ 2.85311972  1.94525477  4.04363883] |              9.26 |     29
alt_residuals   | [ 2.85311972  1.94525477  4.04363883] |              9.26 |     29

Using model2
name            | params                                | sum(residuals**2) | ncalls
------------------------------------------------------------------------------------
residuals       | [ 2.86590332  1.9326829   4.0450271 ] |              7.81 |    483
MS_residuals    | [ 2.85422448  1.94853383  4.04333851] |              9.78 |    754
alt_residuals   | [ 2.85422448  1.94853383  4.04333851] |              9.78 |    754

したがって、どの残差関数を使用するかは、モデル関数に依存するようです。model1と の類似性を 考えると、結果の違いを説明するのに途方に暮れていmodel2ます。

于 2013-05-25T02:14:05.083 に答える