利用scipy求解方程组、拟合直线、圆、椭圆、抛物线

scipy.optimize作为优化模块可以实现任意曲线拟合,方程求根、非线性方程组求解、自定义代价函数求解等功能,下面给出了optimize中常用的几个子模块:
minimize:需要自己构建代价函数(有时也称损失函数,目标函数等),理论上可以求解任意最优化问题
curve_fit:可以拟合任意的显式函数曲线,对于隐式函数曲线不能拟合
fsolve:方程根、求解适定方程组,需要满足未知数数量等于方程数量
least_squares、leastsq:这两个可以用于求解最小二乘问题
root:求解方程根
minimize模块灵活度最多,功能最为强大,理论上上述子模块都可以看作minimize的特例:下面分别给出使用案例:
使用minimize拟合直线、圆、椭圆,使用fsolve、least_squares求解方程组,使用curve_fit拟合抛物线

from scipy.optimize import minimize
from scipy.optimize import curve_fit
from scipy.optimize import fsolve
from scipy.optimize import least_squares
from scipy.optimize import leastsq
from matplotlib import pyplot as plt
import numpy as np
import math
def line_fun(params,x,y):a,b=paramsreturn np.sum(np.square(x*a+b-y))def circle_fun(params,x,y):#圆的一般方程:x^2+y^2+ax+by+c=0a,b,c=paramsreturn np.sum(np.square(x*x+y*y+a*x+b*y+c))def ellipse_model2d(params, x, y):#椭圆一般方程:A * x ** 2 + B * y ** 2 + C * x * y + D * x + E * y + F=0A, B, C, D, E, F= paramserror=A * x ** 2 + B * y ** 2 + C * x * y + D * x + E * y + Fsquares = np.square(error)  # 将数组a每个元素平方sum_of_squares = np.sum(squares)  # 对平方后的数组求和return sum_of_squares#超定方程组
def non_linear_equations(var):x = var[0]y = var[1]Func= np.empty((3))Func[0] = x**2+y-5Func[1] = x+y-3Func[2] = 4*x+y**2-9return Func#适定方程组
def non_linear_equations2(var):x = var[0]y = var[1]Func= np.empty((2))Func[0] = x**2+y-5Func[1] = x+y-3return Funcdef curve_line(x, a, b):return a*x**2+b*x+10# 按间距中的绿色按钮以运行脚本。
if __name__ == '__main__':#生成直线数据x = np.linspace(-20, 20, 100)y = x * 2 + 1# plt.scatter(x,y)# plt.show()x0 = np.array([1.0, 0.8])#求解直线方程,当然这里也可以用curve_fit模块result = minimize(line_fun, x0, args=(x, y))print(r"line ab:", result.x)# 生成圆数据m = np.linspace(0, 2 * math.pi, 100)a = 3b = -6r = 5x = a + r * np.cos(m)y = b + r * np.sin(m)figure, axes = plt.subplots(1)axes.plot(x, y)axes.set_aspect(1)plt.show()#拟合圆result = minimize(circle_fun, np.ones(3), args=(x, y))print(r"circle abc:", result.x)#ellipse#datatheta_samples = np.linspace(0, 20, 100)# 椭圆方位角alpha_samples = -45.0 / 180.0 * np.pi# 长轴长度a_samples = 1.0# 短轴长度b_samples = 2.0# 样本x 序列,并叠加正态分布的随机值x_samples = a_samples * np.cos(theta_samples) * np.cos(alpha_samples) \- b_samples * np.sin(theta_samples) * np.sin(alpha_samples) +1\# + np.random.randn(100) * 0.05 * a_samples# 样本y 序列 ,并叠加正态分布的随机值y_samples = b_samples * np.sin(theta_samples) * np.cos(alpha_samples) \+ a_samples * np.cos(theta_samples) * np.sin(alpha_samples) +2\# + np.random.randn(100) * 0.05 * b_samplesz_samples=np.zeros(100)plt.axes([0.16, 0.15, 0.75, 0.75])plt.scatter(x_samples, y_samples, color="magenta", marker="+",zorder=1, s=80, label="samples")plt.show()#fit ellipseresult=minimize(ellipse_model2d,np.ones(6),args=(x_samples,y_samples))print("ellipse abcdef:",result.x)#solve non_linear_equationsa = np.array([0.0,0])b = least_squares(non_linear_equations, a)print("non_linear_equations x0,x1:", b.x)a = np.array([0.0,0])b = fsolve(non_linear_equations2, a)#方程数量和未知数数量要保持一致print("non_linear_equations x0,x1:",b)#fit curve_line# 这部分生成样本点,对函数值加上高斯噪声作为样本点xdata = np.linspace(-5, 5, 50)## a=2.5, b=1.3y = curve_line(xdata, 2.5, 1.3)np.random.seed(1)err_stdev = 0.2# 生成均值为0,标准差为err_stdev为0.2的高斯噪声y_noise = err_stdev * np.random.normal(size=len(xdata))ydata = y + y_noiseplt.scatter(xdata, ydata, label='data')# 利用curve_fit作简单的拟合,popt为拟合得到的参数,pcov是参数的协方差矩阵popt_1, pcov = curve_fit(curve_line, xdata, ydata)print("curve_line_result:",popt_1)plt.plot(xdata, curve_line(xdata, *popt_1), 'r-', label='fit_1')plt.show()

结果:

line ab: [1.99999999 0.99999999]
circle abc: [-6.00000001 11.99999997 19.99999983]
ellipse abcdef: [-0.04833563 -0.04833556  0.05800266 -0.01933401  0.13533947 -0.04833538]
non_linear_equations x0,x1: [2. 1.]
non_linear_equations x0,x1: [-1.  4.]
curve_line_result: [2.50137612 1.30813455]

椭圆拟合结果:
在这里插入图片描述

抛物线拟合结果:
在这里插入图片描述

参考:
1
2
3
4
5
6

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/764189.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

MATLAB中的数学建模:基础知识、实例与方法论

前言 在当今科技高速发展的时代,数学建模成为了解析复杂世界的关键工具,而MATLAB作为一种专业的科学计算软件,为我们提供了强大的数学建模平台。MATLAB不仅仅是Matrix Laboratory的简称,更是一个集数值分析、矩阵计算、算法开发和…

【C#】C#踩坑三角函数之uvw平台

背景 最近再弄一个uvw平台,uvw平台厂商会提供一个公式里面用到了三角函数: 踩坑记录 一开始,我以为Math.Cos参数是度数,所以怎么算都不对! 一度怀疑C#的Math库。 后面才意识到,这个参数会不会是弧度?结…

携程20240320java暑假实习面经

1. 自我介绍 2. 多久开始学java的 3. ConcurrentHashMap 怎么保证线程安全 1.7 与 1.8 4. 讲一讲你对线程池的理解, 并讲一讲使用的场景 5. 单例模式 如何线程安全 6. 有哪些垃圾回收器 选一个讲一下垃圾回收的流程 7. 讲一讲mysql 的索引 , 如…

我的电脑win11系统安装了谷歌浏览器,桌面的快捷方式打不开

安装好浏览器以后双击打不开右键打开文件位置也弹窗报错提示 但是我发现开始栏里面可以打开 说明我的软件应该是没有问题的,研究了一下 我实际的安装目录在:C:\Program Files\Google\Chrome\Application 桌面的快捷方式右键查看属性显示的地址却不对&a…

什么是单点登录?

单点登录(Single Sign On,简称 SSO)简单来说就是用户只需在一处登录,不用在其他多系统环境下重复登录。用户的一次登录就能得到其他所有系统的信任。 为什么需要单点登录 单点登录在大型网站应用频繁,比如阿里旗下有淘…

JavaEE 初阶篇-深入了解进程与线程(常见的面试题:进程与线程的区别)

🔥博客主页: 【小扳_-CSDN博客】 ❤感谢大家点赞👍收藏⭐评论✍ 文章目录 1.0 进程概述 2.0 线程概述 2.1 多线程概述 3.0 常见的面试题:谈谈进程与线程的区别 4.0 Java 实现多线程的常见方法 4.1 实现多线程方法 - 继承 Thread 类…

理解文件操作

1. 为什么使⽤⽂件? 如果没有⽂件,我们写的程序的数据是存储在电脑的内存中,如果程序退出,内存回收,数据就丢失了,等再次运⾏程序,是看不到上次程序的数据的,如果要将数据进⾏持久化…

Visual Studio 插件 AnAPI++ for VS 2022

Anmial API abbreviation AnAPIis an automatically generated WebAPI project that has encapsulated Jwt Oauth2 token authentication, SqlSugar, Swagger, Nlog, Cross domain technologies, and supports Net6 and above versions Anmial API缩写AnAPI是一个自动生成的Web…

基于SpringBoot和HeatMap的全球地震热力图可视化实践

目录 前言 一、关于热力图 1、HeatMap简介 2、属性和方法介绍 二、全球地震热力图反演 1、地震信息查询开发 2、前端地图开发 三、地震带反演成果 1、三大地震带反演 2、地震区域分析 总结 前言 众所周知,全球的地震带主要可以分为三处地震带——环太平洋地…

60、服务攻防——中间件安全CVE复现weblogicJenkinsGlassFish

文章目录 weblogicJbossJenkinsGlassFish weblogic 默认端口:7001,历史漏洞:CVE_2017_3506、CVE_2018_2893、CVE_2018_3245、CVE_2020_14882、CVE_2021_2394 Jboss 历史漏洞:CVE-2017-12149、CVE-2017-7504 Jenkins GlassFis…

C#使用ASP.NET Core Razor Pages构建网站(三)

上一篇文章了解Razor Pages 链接:C#使用ASP.NET Core Razor Pages构建网站(二) 接下来继续了解ASP.NET Core Razor Pages构建网站的后续内容 一、将Entity Framework Core配置为服务 要在 ASP.NET Core 项目中配置 Entity Framework Core 服…

使用jupyter-Python进行模拟股票分析

tushare财经数据接口包 pip install tushare作用:提供相关指定的财经数据 需求:股票分析 使用tushare包获取某股票的历史行情数据 输出该股票所有收盘比开盘上涨3%以上的日期 输出该股票所有开盘比前日收盘跌幅超过2%的日期 假如我从2015年1月1日开…

【Caddy】Caddy实践1——此网站无法提供安全连接

背景:卸载 最近安装Caddy在另外一个机器上出现了错误,执行步骤如下: 步骤一:添加 Caddy 软件源并安装 执行以下命令添加 Caddy 的软件源并安装: sudo apt install -y debian-keyring debian-archive-keyring apt-t…

哨兵位、链表的链接

哨兵位: 通俗的话讲就是额外开辟一块空间,指向链表的头部。 合并两个有序链表 已解答 简单 相关标签 相关企业 将两个升序链表合并为一个新的 升序 链表并返回。新链表是通过拼接给定的两个链表的所有节点组成的。 示例 1: 输入&#…

java入门学习

程序员必备:常见算法与应用综述 算法是计算机科学的核心,是解决问题的关键。在程序员的日常工作中,算法无处不在。本文将以“程序员常用的几种算法”为主题,从多个维度介绍程序员常用的算法,并分析其适用场景、优缺点…

在 CentOS 7 上编译安装 Nginx 1.18

1. 安装依赖包 首先,安装 Nginx 所需的基本依赖包: yum install -y gcc gcc-c make automake autoconf pcre-devel zlib-devel openssl-devel2. 下载 Nginx 源代码 wget http://nginx.org/download/nginx-1.18.0.tar.gz tar -xzvf nginx-1.18.0.tar.g…

Jupyter R绘图 汉字显示乱码的解决办法

1.Jupyte中,R绘图,汉字显示乱码 2.如何解决? (1)R中安装showtext 登录linux服务器 #R > install.packages(“showtext”) … 出错 (2)退出R,安装freetype-config #apt install libfreetype6-dev 出错 (3)进入R&…

学习人工智能:Attention Is All You Need-2-Transformer模型;Attention机制;位置编码

3.2 注意力机制Attention 注意力函数可以描述为将查询和一组键值对映射到输出的过程,其中查询、键、值和输出都是向量。输出被计算为值的加权和,其中每个值的权重由查询与相应键的兼容性函数计算得出。 3.2.1 缩放点积注意力 Scaled Dot-Product Attenti…

5.81 BCC工具之tcpconnlat.py解读

一,工具简介 tcpconnlat工具追踪执行活动TCP连接的内核函数(例如,通过connect()系统调用),并显示本地测量的连接延迟(时间):从发送SYN到响应数据包的时间。 二,代码示例 #!/usr/bin/env pythonfrom __future__ import print_function from bcc import BPF from soc…

shentou思路流程

信息收集: 1、获取域名whois信息也就是所谓的资产收集 2、服务器子域名、旁站、c段查询 3、服务器操作系统类型、版本、补丁状况、开放端口:22 ssh 80 web 445 3389.。。 4、web中间件类型、版本、网站目录结构、使用的waf等设备 5、数据库类型、版…