为了实现您所描述的功能——基于给定的传递函数对驾驶杆位移数据进行拟合，并将其结果与原始数据进行比较，我们可以遵循以下步骤编写Python代码： 1. **准备环境**：首先需要确保安装了必要的Python包，例如`numpy`, `scipy`, 和`matplotlib`，如果未安装可以通过pip安装这些依赖项。 2. **定义传递函数**：根据提供的参数(t, TN, Kp, TL)，构建代表驾驶员行为的传递函数。 3. **处理输入信号**：利用`theta_c' - theta`作为输入信号，即期望姿态角与实际姿态角之间的差异来驱动这个传递函数。 4. **求解系统响应**：通过计算每个时间步长下的系统响应，模拟驾驶员的操作。 5. **优化拟合效果**：调整传递函数的参数使模型输出尽可能贴近实测数据，这里可以采用最小化预测值和真实值之间差的平方和的方法来进行优化。 6. **可视化结果**：最后将原始数据及拟合的结果绘制成图表以便直观地对比两者之间的相似度。 下面是实现上述逻辑的具体Python代码示例： ```python import numpy as np from scipy import signal, optimize import matplotlib.pyplot as plt def create_driver_transfer_function(tau, tn, kp, tl): """ 创建一个表示驾驶员行为的传递函数。 参数: tau -- 反应时间 tn -- 肌肉系统的迟滞 kp -- 增益 tl -- 平衡特性的时间常数 返回: num -- 分子多项式系数列表 den -- 分母多项式系数列表 """ num = [kp] den = [tl * tau * tn, tl * (tau + tn), tl + 1] return signal.TransferFunction(num, den) def simulate_driver_behavior(tf, input_signal, dt=1 / 60): """ 根据传递函数tf和输入信号input_signal模拟驾驶员的行为， 每个时间间隔dt计算一次输出。 参数: tf -- 传递函数对象 input_signal -- 输入信号数组 dt -- 时间间隔，默认为1/60秒 返回: t -- 时间向量 y -- 输出响应向量 """ tout, yout, _ = signal.lsim(tf, U=input_signal, T=np.arange(0, len(input_signal)*dt, dt)) return tout, yout def fit_parameters(params, time_series, error_signal, real_control): """ 定义一个用于优化的目标函数，它接受一组参数并返回一个衡量拟合好坏的成本值。 参数: params -- 待优化的参数列表[t, tn, kp, tl] time_series -- 时间序列 error_signal -- 输入到传递函数的误差信号(theta_c-theta) real_control -- 实际的驾驶杆位置数据 返回: cost -- 成本值，即预测值与真实值间差的平方和 """ tf = create_driver_transfer_function(*params) _, simulated_control = simulate_driver_behavior(tf, error_signal, dt=time_series[1]-time_series[0]) cost = np.sum((real_control - simulated_control)**2) return cost def main(): global data # 加载并解析数据文件 def read_data(file_path): raw_data = np.loadtxt(file_path, skiprows=1) return { 't': raw_data[:, 0], 'theta_c': raw_data[:, 1], 'theta': raw_data[:, 2], 'control': raw_data[:, 3] } file_name = '2025-03-24 21-29-43 [k=40,omega_sp=5.0,zeta_sp=0.7,t_theta=0.5].dat' data = read_data(file_name) # 提取所需的数据片段（假设我们关注的是40至80秒的数据） idx_start = int(40/(data['t'][1]-data['t'][0])) idx_end = int(80/(data['t'][1]-data['t'][0])) sub_data = {key: value[idx_start:idx_end] for key, value in data.items()} # 计算输入信号（误差） error_signal = sub_data['theta_c'] - sub_data['theta'] # 初始猜测的参数值 initial_guess = [0.18, 0.2, -0.05, 0.4] # 执行优化过程寻找最优参数组合 optimized_params = optimize.fmin( lambda x: fit_parameters(x, sub_data['t'], error_signal, sub_data['control']), initial_guess, disp=True ) # 使用优化后参数创建新的传递函数并获得模拟输出 best_tf = create_driver_transfer_function(*optimized_params) _, fitted_output = simulate_driver_behavior(best_tf, error_signal) # 绘制图形比较原数据和拟合后的数据 fig, ax = plt.subplots(figsize=(10, 6)) ax.plot(sub_data['t'], sub_data['control'], label='Original Control Stick Position') ax.plot(sub_data['t'], fitted_output, linestyle='--', color='red', label='Fitted Output') ax.set_xlabel('Time [s]') ax.set_ylabel('Control Stick Displacement') ax.legend(loc='best') plt.title('Comparison Between Original and Fitted Data') plt.show() if __name__ == "__main__": main() ``` 这段代码实现了从加载实验数据到执行拟合全过程的功能，并最终生成了一张显示原始驾驶杆位移与拟合结果对比情况的图表。请注意，这里的传递函数形式以及具体的优化策略是根据您的描述定制化的，可能需要进一步调试以适应实际情况。此外，在运行此脚本之前，请确认已准备好正确的`.dat`格式的数据文件，并且文件路径准确无误。