У меня проблема с аппроксимацией полиномиального соответствия. Более подробный обзор моей проблемы показан HERE. В основном я хочу сгладить среднюю часть полинома, которую я получил в результате длительных математических манипуляций и показан ниже. Идея, которую я получил, состоит в том, чтобы взять диапазон от начала и диапазона от конца многочлена (его точки) и сделать приближенный многочлен, который не имеет размахивания в средней части; выбранные точки показаны ниже. Однако, используя функцию polyfit
, я не смог получить многочлен, на который я надеялся. Аппроксимация полинома соответствует заданным данным
Это основная часть моего кода:
from sympy import*
import numpy as np
init_printing()
%matplotlib inline
import matplotlib.pyplot as plt
S = np.linspace(25, 400, 1000)
SS = np.log10(S)
def f(logS): # the polynomial that I got
return 10**(-57.2476193068601*logS**5 + 585.900632193053*logS**4 - 2384.35277925916*logS**3 + 4821.25582425353*logS**2 - 4845.47249368281*logS + 1943.75303313331)
xdata = f(SS)
ydata = S
plt.figure(figsize=(12, 10), dpi= 600, facecolor='w', edgecolor='k')
plt.loglog(xdata, ydata,'k-')
# Data for new polynomial (approximation)
XX = xdata[:40].tolist()
X1 = xdata[len(xdata)-350:].tolist()
YY = ydata[:40].tolist()
Y1 = ydata[len(ydata)-350:].tolist()
for i in range(len(X1)):
XX.append(X1[i])
YY.append(Y1[i])
# Approximation polynomial fit
plt.loglog(XX,YY,'mo')
x_t = np.linspace(np.min(xdata), np.max(xdata),1000)
p = np.poly1d(np.polyfit(XX,YY, deg=5))
plt.loglog(x_t, p(x_t),'g-')
print(p)
plt.ylim((np.min(ydata), np.max(ydata)))
plt.xlim((np.min(xdata), np.max(xdata)*0.7))
plt.xlabel('xdata')
plt.ylabel('ydata')
plt.grid(True, which="both")
Я хотел бы несколько советов о том, как исправить это приближение полиномиальное проблему или, если есть другой способ решить машет в середине раздела - это лучший способ сглаживания. Любая помощь очень ценится!
Вы пытались увеличить порядок вашего полинома? – gabra
Я хотел бы использовать тот же самый степенной аппроксимационный полином, что и мой исходный многочлен. Это идея сглаживания средней части и сравнение их коэффициентов в конце ... – mcluka
Будет сложно найти один многочлен, чтобы охватить ваше пространство и воспроизвести эти данные. Это легко с кусочными многочленами. Я бы попробовал это. – duffymo