Мое знание математики ограничено, поэтому я, вероятно, застрял. У меня есть спектры, к которым я пытаюсь установить два гауссовых пика. Я могу подойти к самому большому пику, но я не могу подойти к самому маленькому пику. Я понимаю, что мне нужно суммировать функцию Гаусса для двух пиков, но я не знаю, где я ошибся. Образ моего токового выхода показано:Python: двухкристальный гауссовский фитинг с нелинейными наименьшими квадратами
Синяя линия мои данные и зеленая линия мой текущий нужным. Существует плечо слева от основного пика в моих данных, которые я в настоящее время пытается вписаться, используя следующий код:
import matplotlib.pyplot as pt
import numpy as np
from scipy.optimize import leastsq
from pylab import *
time = []
counts = []
for i in open('/some/folder/to/file.txt', 'r'):
segs = i.split()
time.append(float(segs[0]))
counts.append(segs[1])
time_array = arange(len(time), dtype=float)
counts_array = arange(len(counts))
time_array[0:] = time
counts_array[0:] = counts
def model(time_array0, coeffs0):
a = coeffs0[0] + coeffs0[1] * np.exp(- ((time_array0-coeffs0[2])/coeffs0[3])**2)
b = coeffs0[4] + coeffs0[5] * np.exp(- ((time_array0-coeffs0[6])/coeffs0[7])**2)
c = a+b
return c
def residuals(coeffs, counts_array, time_array):
return counts_array - model(time_array, coeffs)
# 0 = baseline, 1 = amplitude, 2 = centre, 3 = width
peak1 = np.array([0,6337,16.2,4.47,0,2300,13.5,2], dtype=float)
#peak2 = np.array([0,2300,13.5,2], dtype=float)
x, flag = leastsq(residuals, peak1, args=(counts_array, time_array))
#z, flag = leastsq(residuals, peak2, args=(counts_array, time_array))
plt.plot(time_array, counts_array)
plt.plot(time_array, model(time_array, x), color = 'g')
#plt.plot(time_array, model(time_array, z), color = 'r')
plt.show()
В этом случае это было бы довольно сложно, так как два пика довольно близки друг к другу - для меньшего «гаусса» не существует определенного пика. Обычно можно было бы (я думаю) идентифицировать все интересующие пики, а затем перебирать каждый пик, маскируя все остальные пики и приспосабливаясь к каждому пику. Общая подгонка - это сумма всех этих припадков. Кажется, что вам нужно сделать, это определить большой пик и его размер, а затем замаскировать его из данных, прежде чем приступать к меньшему пику – Chris