©2020-2024 ioDraw All rights reserved
一次作业展示
我用的是Python编写程序。也就 Scipy 里的 curve_fit指令
curve_fit指令是由一点小问题的。
我们小看一下具体的问题
* 引入相关包 from scipy.optimize import curve_fit import matplotlib import
matplotlib.pyplot as plt matplotlib.rcParams["font.sans-serif"] = ["SimHei"]
matplotlib.rcParams["axes.unicode_minus"] = False
* 定义需要你拟合的函数 def fun(t,a,b,c): return a + b*t + c*t**2
* 定义界限 #bounds bounds = [[0,0,0],[1,2,3]] #表示 amin,bmin,cmin ; amax,bmax,cmax
* 设置参数并开始拟合 x = [0.01 * i for i in range(1000)] y = [0.7+1.5*i+2.1*i**2 for i
in x] p_fit,pcov = curve_fit(fun,x,y,bounds=bounds) a,b,c = p_fit.tolist()
print("a "+str(a)) print("b "+str(b)) print("c "+str(c)) >>>a
0.7000000000000016 >>>b 1.4999999999999993 >>>c 2.1
* tips 实际工作的时候，你会发现，这个工作绝对没有我这里展示得这么简单。
* parameters
* 你会发现，虽然它有很多个参数，但非数学学院的孩子可能已经发现，这个恐怕是略有难度的（请上官网阅读）
* f
* xdata
* ydata
* bounds
* return
* popt
* 按照SSE最小的原则选出的最优参数
* pcov
* 协方差矩阵
* Raises
* ValueError
* xdata 或 ydata 中含有 Not a Number
* RuntimeError
* 最小二乘法跑不动啦
* OptimizeWarning
* 协方差矩阵无法估计得出
* 采样曲线
* 数据先期处理
* 前段数据明显有很大的偏差，是一个很不合理的数据。所以清洗掉前 50 个数据后我 们得到图像，这个图像就合理多了。
* 我们最好使用一个指数函数来描述它的降落。但也许一个多项式函数也很有价值呢？所 以我们选择指数函数与多项式函数的叠加，但加上系数，例如 我们很顺利得得到
* 参数
*
V0
10.999999999574499
a
-0.000498879687115049
b
-0.2948910057472579
c
0.00474997000539258
d
-8.960374326579795e-07
* 残差 SSE= 0.8664783171803022 import xlrd as xl import matplotlib.pyplot as
plt import matplotlib import math from scipy.optimize import curve_fit
matplotlib.rcParams["font.sans-serif"] = ["SimHei"]
matplotlib.rcParams["axes.unicode_minus"] = False data = xl.open_workbook("附件2
电池放电测试（30A）采样数据.xls") work_sheet = data.sheets()[0] all_rows = work_sheet.nrows
time,voltage = [0 for i in range(all_rows-1)],[0 for i in range(all_rows-1)]
for i in range(1,all_rows): time[i-1] = work_sheet.cell_value(i,0) voltage[i-1]
= work_sheet.cell_value(i,1) #plt.plot(time,voltage,label="电池放电")
#plt.xlabel("放电时间") #plt.ylabel("电压",rotation=True) #plt.legend()
#plt.savefig("电池放电原始记录,jpg") #plt.cla()
#plt.plot(time[5:],voltage[5:],label="电池放电") #plt.xlabel("放电时间")
#plt.ylabel("电压",rotation=True) #plt.legend() #plt.savefig("电池放电清洗后记录,jpg")
start = 50 time = time[start:] voltage = voltage[start:]
plt.scatter(time,voltage,marker="o",c="red",s=0.5) def fun(t,v0,a,b,c,d):
#v0*math.e**(a*t)+ #+(b*t+c*t**2+d*t**3) #return
v0*math.e**(a*t)+(b+c*t+d*t**2) return v0*math.e**(a*t)+(b+c*t+d*t**2)
p_fit,pcov = curve_fit(fun,time,voltage,bounds=[[9,-2,-2,-2,-2],[11,2,2,2,2]])
v0,a,b,c,d = p_fit.tolist() time0 = [i for i in range(start,int(time[-1]))]
plt.plot(time0,[fun(i,v0,a,b,c,d) for i in
time0],linestyle="-.",c="b",linewidth=2) SSE =
sum([(fun(time[i],v0,a,b,c,d)-voltage[i])**2 for i in range(len(time))])
plt.xlabel("放电时间") plt.ylabel("电压",rotation=True) plt.savefig("电池放电拟合图.jpg")
plt.show() print(SSE)
*
为了缩减误差，我们将每个电压值减去9，做同样的操作后，得到
* 参数
*
V0
1.5999999999996954
a
-0.0011712982921128377
b
0.10761472318925852
c
0.0010752299243068316
d
-4.353127243058634e-07
* 残差 SSE= 1.0248705943495118 import xlrd as xl import matplotlib.pyplot as
plt import matplotlib import math from scipy.optimize import curve_fit
matplotlib.rcParams["font.sans-serif"] = ["SimHei"]
matplotlib.rcParams["axes.unicode_minus"] = False data = xl.open_workbook("附件2
电池放电测试（30A）采样数据.xls") work_sheet = data.sheets()[0] all_rows = work_sheet.nrows
time,voltage = [0 for i in range(all_rows-1)],[0 for i in range(all_rows-1)]
for i in range(1,all_rows): time[i-1] = work_sheet.cell_value(i,0) voltage[i-1]
= work_sheet.cell_value(i,1) start = 50 time = time[start:] voltage =
voltage[start:] voltage = [i-9 for i in voltage]
plt.scatter(time,voltage,marker="o",c="red",s=0.5) def fun(t,v0,a,b,c,d):
#v0*math.e**(a*t)+ #+(b*t+c*t**2+d*t**3) #return
v0*math.e**(a*t)+(b+c*t+d*t**2) return v0*math.e**(a*t)+(b+c*t+d*t**2)
p_fit,pcov =
curve_fit(fun,time,voltage,bounds=[[1.4,-10,-10,-10,-10],[1.6,10,10,10,10]])
v0,a,b,c,d = p_fit.tolist() time0 = [i for i in range(start,int(time[-1]))]
plt.plot(time0,[fun(i,v0,a,b,c,d) for i in
time0],linestyle="-.",c="b",linewidth=2) SSE =
sum([(fun(time[i],v0,a,b,c,d)-voltage[i])**2 for i in range(len(time))])
plt.xlabel("放电时间") plt.ylabel("电压",rotation=True) plt.savefig("电池放电拟合图.jpg")
plt.show() print(SSE)
*
SSE变化不大，还行，说得过去。
其实这个问题还可以用更高级的方法解决。函数的主体部分一定是一个指数函数。至于误差的话，可以用支持向量机估计。
但是，最重要的问题是，电池电压的变化是有一定科学函数关系的。不太可能是随意给一个函数的。
我们查阅文献。
得到一个更好的方程
a
8.775331053692842
b
0.03661353006471206
c
2600.000378465227
SSE
0.9081344248801957
import xlrd as xl import matplotlib.pyplot as plt import matplotlib import
math from scipy.optimize import curve_fit
matplotlib.rcParams["font.sans-serif"] = ["SimHei"]
matplotlib.rcParams["axes.unicode_minus"] = False data = xl.open_workbook("附件2
电池放电测试（30A）采样数据.xls") work_sheet = data.sheets()[0] all_rows = work_sheet.nrows
time,voltage = [0 for i in range(all_rows-1)],[0 for i in range(all_rows-1)]
for i in range(1,all_rows): time[i-1] = work_sheet.cell_value(i,0) voltage[i-1]
= work_sheet.cell_value(i,1) start = 50 time = time[start:] voltage =
voltage[start:] plt.scatter(time,voltage,marker="o",c="red",s=0.5) def
fun(t,v0,a,b,c,d): return a+b*(c-t)**0.5 p_fit,pcov =
curve_fit(fun,time,voltage,bounds=[[9,0,0,2600,0],\ [11,10,10,4600,10]])
v0,a,b,c,d = p_fit.tolist() time0 = [i for i in range(start,int(time[-1]))]
plt.plot(time0,[fun(i,v0,a,b,c,d) for i in
time0],linestyle="-.",c="b",linewidth=2) SSE =
sum([(fun(time[i],v0,a,b,c,d)-voltage[i])**2 for i in range(len(time))])
plt.xlabel("放电时间") plt.ylabel("电压",rotation=True) plt.savefig("电池放电拟合图.jpg")
plt.show() print(SSE)
*
这样的残差平方和事实上已经很小了，只是你要明白一点就是，电池的结构决定了电池的放电规律不太可能用一个初等函数来表示。更有可能是一个更复杂的方程，这是由电池决定的，而不是有观测值决定的。
电池的放电规律与一般得分类问题不同，它是很难得到检验的。我们不能通过选取一个阶段的放电，将它与预测值比较来反映模型的准确性。即使考虑最简单的RLC电路，方程的解也不是严格得如我们的预测方程所示。
我们的拟合最多能够给出电池的放电结束时间，而且不一定准确。我们的拟合使函数尽可能得符合曲线而不是趋近物理事实，这是不合理的。或者对于同样的一块电池，预估放电时间与电压的关系。
研究物理过程不能只从现象观察，应该去研讨物理规律。当然，更加好的一个办法呢，还是使用分段函数来做它，在放电的最初阶段和最末阶段，电压的下降速率远远大于中间阶段，在物理过程不明晰的情况下，还是分段研究比较合理。
*
如果从软件使用的角度来看，我们初始值的选取是十分重要的。Science Python的curve_fit和Mathematica
的智能程度远远低于matlab或者其他软件。即使是使用Matlab，初始值的选取也能大大得减少运算时间。对于初始值怎么选呢？慢慢调参吧。。