Python科学计算——任意波形拟合

任意波形的生成 (geneartion of arbitrary waveform) 在商业，军事等领域都有着重要的应用，诸如空间光通信 (free-space optics communication)， 高速信号处理 (high-speed signal processing)，雷达 (radar) 等。在任意波形生成后， 如何评估生成的任意波形 成为另外一个重要的话题。

假设有一组实验数据，已知他们之间的函数关系：y=f(x)，通过这些信息，需要确定函数中的一些参数项。例如，f 是一个线型函数 f(x)=k*x+b，那么参数 k 和 b 就是需要确春州纤定的值。如果这些参数用 p 表示的话，那么就需要找到一组 p 值使得如下公式中的 S 函数最小：

这种算法被称之为 最小二乘拟合 (least-square fitting)。scipy 中的子函数库 optimize 已迹雹经提供实现最小二乘拟合算法的函数 leastsq 。下面是 leastsq 函扒仿数导入的方式：

scipy.optimize.leastsq 使用方法

在 Python科学计算——Numpy.genfromtxt 一文中，使用 numpy.genfromtxt 对数字示波器采集的三角波数据导入进行了介绍，今天，就以 4GHz三角波 波形的拟合为案例介绍任意波形的拟合方法。

在 Python科学计算——如何构建模型？ 一文中，讨论了如何构建三角波模型。在标准三角波波形的基础上添加了 横向，纵向的平移和伸缩特征参数 ，最后添加了 噪声参数 模拟了三角波幅度参差不齐的随机性特征。但在波形拟合时，并不是所有的特征参数都要纳入考量，例如，噪声参数应是 波形生成系统 的固有特征，正因为它的存在使得产生的波形存在瑕疵，因此，在进行波形拟合并评估时，不应将噪声参数纳入考量，最终模型如下：

在调用 scipy.optimize.leastsq 函数时，需要构建误差函数：

有时候，为了使图片有更好的效果，需要对数据进行一些处理：

leastsq 调用方式如下：

合理的设置 p0 可以减少程序运行时间，因此，可以在运行一次程序后，用拟合后的相应数据对 p0 进行修正。

在对波形进行拟合后，调用 pylab 对拟合前后的数据进行可视化：

均方根误差 (root mean square error) 是一个很好的评判标准，它是观测值与真值偏差的平方和观测次数n比值的平方根，在实际测量中，观测次数n总是有限的，真值只能用最可信赖（最佳）值来代替.方根误差对一组测量中的特大或特小误差反映非常敏感，所以，均方根误差能够很好地反映出测量的精密度。

RMSE 用程序实现如下：

拟合效果，模型参数输出：

leastsq 函数适用于任何波形的拟合，下面就来介绍一些常用的其他波形：

强烈推荐使用Tk 库，非常简单。 下面是我正在写的界面，可以运行，后台还没处理好。不懂的可以问我。

#!python2  pymol

#coding: utf-8

from Tkinter import *

from ttk import *

from  math  import sin,asin,cos,acos 

class PredictGui(Frame):

    def __init__(self,parent=None):

        Frame.__init__(self,parent)

        self.pack(expand=YES,fill=BOTH)

        

        Label(self,text="generate cccc").pack(side=TOP)

        

        centerF=Frame(self)

        centerF.pack(expand=YES,fill=BOTH)

        Label(centerF,width=50,text="the coord of the center").pack(side=LEFT)

        self.xyz_var=StringVar()

        Entry(centerF,text=self.xyz_var,width=15).pack(side=LEFT)

        self.xyz_var.set('0 0 0')

        

        

        radiusF=Frame(self)

        radiusF.pack(side=TOP,fill=BOTH,expand=YES)

        Label(radiusF,text="the radius of the cc",width=50).pack(side=LEFT)

        self.r_var=DoubleVar()

        radius_Com=Combobox(radiusF,width=15,textvariable=self.r_var)

        radius_Com.pack(side=LEFT)

        radius_Com['values']=( 5.0,10.0,15.0,20.0, )

        radius_Com.set('select radius')

        radius_Com.bind("<<ComboboxSelected>>",self.selectradius)

        

        

        densityF=Frame(self)

        densityF.pack(expand=YES,fill=BOTH)

        Label(densityF,text="the density is 0-1",width=50).pack(side=LEFT)

 衡差棚       self.density_var=DoubleVar()

        Entry(densityF,text=self.density_var,width=15).pack(side=LEFT)

        

        

    def selectradius(event,self):

        '''

        '庆租''        

        temp=asin(1.0/self.r_var.get())

        self.density_var.set(temp)

        

        

        

       咐则 

        

        

if __name__ == '__main__':

    mainW=PredictGui()

    mainW.mainloop()

python做科学计算的特点：1. 科学库很全。（推荐学习：Python视频教程）

科学库：numpy，scipy。作图：matplotpb。并行：mpi4py。调试：pdb。

2. 效率高。

如果你能学好numpy（array特性，f2py），那么你代码执行效率不会比fortran，C差太多。但如果你用不好array，那样写出来的程序效率就只能呵呵了。所以入门后，缺首请一定花足够多的时间去了解numpy的漏伍array类。

3. 易于调试。

pdb是我见过最好的调试工具，没有之一。直接在程序断点处给你一个截面，这只有文本解释语言才能办到。毫不夸张的说，你用python开发程序只要fortran的1/10时间。

4. 其他。

它丰富而且统一，不像C++的库那么杂（好比pnux的各种发行版），python学好numpy就可以做科学计算了。python的第三方库很全，但是不杂。python基于类的语言特性让它比起fortran等更加容易规模化开发。

数值分析中，龙格－库塔法（Runge-Kutta methods）是用于非线性常微分方程的解的重要的一类隐式或显式迭代法。这些技术由数学家卡尔·龙格和马丁·威尔海姆·库塔于1900年左右发明。

龙格-库塔(Runge-Kutta)方法是一种在工程上应用广泛的高精度单步算法，其中包括著名的欧拉法，用于数值求解微分方程。由于此算法精度高，采取措施对误差进行抑制，所以其实现原理也较复杂。

高斯积分是在概率论和连续傅里叶变换等的统一化等计算中有广泛的应用。在误差函数的定义中它也出现。虽然误差函数没有初等函数，但是高斯积分可以通过微积分学的手段解析求解。高斯积分（Gaussian integral），有时也被称为概率积分，是高斯函数的积分。它是依德国数学家兼物理学家卡尔·弗里德里希·高斯之姓氏所命名。

洛伦茨吸引子及其导出的方程组是由爱德华·诺顿·洛伦茨于1963年发表，最初是发表在《大气科学杂志》（Journal of the Atmospheric Sciences）杂志的论文《Deterministic Nonperiodic Flow》中提出的，是由大气方程中出现的对流卷方程简化得到的。

这一洛伦茨模型不只对非线性数学有重要性，对于气候和天气预报来说也有着重要的含义。行星和恒星大气可能会伏搜数表现出多种不同的准周期状态，这些准周期状态虽然是完全确定的，但却容易发生突变，看起来似乎是随机变化的，而模型对此现象有明确的表述。

更多Python相关技术文章，请访问Python教程栏目进行学习！以上就是小编分享的关于python能做什么科学计算的详细内容希望对大家有所帮助，更多有关python教程请关注环球青藤其它相关文章！

---