我怀疑此函数形式不适合Curve_fit使用的levenberg-marquardt算法
你是对的。通常，基于梯度的优化不适用于具有尖锐边缘的函数。通过稍微干扰功能参数并查看装配质量的变化来估算梯度。但是，如果边缘不与数据点交叉，则稍微移动边缘将导致零梯度：
- 答：很容易拟合振幅，因为高度的微小变化会立即导致残差的变化。
- B：很难拟合边缘，因为位置的微小变化不会影响残差（除非变化大到足以使边缘越过数据点）。
使用随机方法应该更好。Scipy具有differential_evolution函数，该函数使用遗传算法，因此与蒙特卡洛方法有关。但是，使用起来不那么简单
curve_fit。您需要为参数指定成本函数和范围：
res = differential_evolution(lambda p: np.sum((box(x, *p) - y)**2), # quadratic cost function [[0, 2], [-5, 5], [0.1, 10]]) # parameter bounds
它仍然是单线:)
coeff, var_matrix = curve_fit(box, x, y, p0=[1,0,2])res = differential_evolution(lambda p: np.sum((box(x, *p) - y)**2), [[0, 2], [-5, 5], [0.1, 10]])plt.step(x, box(x, *coeff), where='mid', label='curve_fit')plt.step(x, box(x, *res.x), where='mid', label='diff-ev')plt.plot(x, y, '.')plt.legend()
