### 三级标题：对多条值域在 [0,1] 的双峰曲线进行拟合 在处理多条值域限定在 [0,1] 的双峰曲线时，目标是找到一个能够表达这些曲线趋势的统一函数模型，并估计其最优参数。由于双峰曲线具有两个峰值，因此不能使用简单的 Sigmoid 或单峰函数进行拟合。可以采用高斯混合模型（GMM）或双峰函数作为基础模型进行非线性回归分析。 #### 构建双峰函数模型 双峰曲线可以使用两个高斯函数的线性组合表示： $$ f(x) = A_1 \cdot e^{-a_1(x - \mu_1)^2} + A_2 \cdot e^{-a_2(x - \mu_2)^2} $$ 其中 $ A_1, A_2 $ 是峰的高度，$ a_1, a_2 $ 控制峰的宽度，$ \mu_1, \mu_2 $ 是两个峰的中心位置。该函数可以很好地描述具有两个局部极大值的曲线特征。 #### 使用 `scipy.optimize.curve_fit` 进行参数估计 Python 的 `scipy.optimize` 模块提供了 `curve_fit` 函数，可以对上述双峰函数进行非线性最小二乘拟合，自动优化参数 $ A_1, A_2, a_1, a_2, \mu_1, \mu_2 $，从而找到最佳拟合曲线[^1]。 ```python from scipy.optimize import curve_fit import numpy as np def bimodal(x, A1, mu1, sigma1, A2, mu2, sigma2): return A1 * np.exp(-(x - mu1)**2 / (2 * sigma1**2)) + A2 * np.exp(-(x - mu2)**2 / (2 * sigma2**2)) # 示例数据：构造双峰曲线 x_data = np.linspace(0, 10, 200) y_data = 0.6 * np.exp(-(x_data - 3)**2 / 1) + 0.4 * np.exp(-(x_data - 7)**2 / 1) # 添加噪声 y_data += 0.02 * np.random.normal(size=x_data.size) # 初始猜测参数：A1, mu1, sigma1, A2, mu2, sigma2 p0 = [0.5, 2.5, 1.0, 0.5, 7.5, 1.0] # 拟合参数 popt, pcov = curve_fit(bimodal, x_data, y_data, p0=p0) print("最优参数：A1 =", popt[0], ", mu1 =", popt[1], ", sigma1 =", popt[2], ", A2 =", popt[3], ", mu2 =", popt[4], ", sigma2 =", popt[5]) ``` #### 可视化拟合结果 通过绘制原始数据点和拟合曲线，可以直观评估拟合效果。 ```python import matplotlib.pyplot as plt x_fit = np.linspace(0, 10, 500) y_fit = bimodal(x_fit, *popt) plt.scatter(x_data, y_data, label='原始数据', alpha=0.6) plt.plot(x_fit, y_fit, 'r-', label='拟合曲线') plt.legend() plt.xlabel('x') plt.ylabel('y') plt.title('双峰曲线拟合') plt.show() ``` #### 多函数模型的比较与选择 除了双高斯模型，还可以尝试其他双峰函数形式，如洛伦兹函数组合、多项式拟合等。通过计算拟合误差（如均方误差 MSE）或使用交叉验证方法，可以评估不同模型的拟合效果，并选择最优模型。 ```python from sklearn.metrics import mean_squared_error # 假设使用多项式函数 def poly_func(x, a, b, c, d, e, f): return a * x**5 + b * x**4 + c * x**3 + d * x**2 + e * x + f # 拟合多项式模型 popt_poly, _ = curve_fit(poly_func, x_data, y_data, p0=[0.01, -0.1, 0.5, -1, 1, 0]) y_poly = poly_func(x_fit, *popt_poly) # 计算 MSE mse_bimodal = mean_squared_error(y_data, bimodal(x_data, *popt)) mse_poly = mean_squared_error(y_data, poly_func(x_data, *popt_poly)) print("双峰模型 MSE:", mse_bimodal) print("多项式模型 MSE:", mse_poly) ``` #### 参数优化与全局搜索 在复杂情况下，局部优化可能无法找到全局最优解。可以结合全局优化算法（如差分进化算法）进行参数搜索，以提高拟合精度。Python 的 `scipy.optimize` 提供了 `differential_evolution` 函数，支持全局参数搜索。 ```python from scipy.optimize import differential_evolution # 定义参数搜索范围 bounds = [(0, 1), (0, 5), (0.1, 2), (0, 1), (5, 10), (0.1, 2)] # 全局优化 result = differential_evolution(lambda p: np.sum((bimodal(x_data, *p) - y_data)**2), bounds) print("全局最优参数：A1 =", result.x[0], ", mu1 =", result.x[1], ", sigma1 =", result.x[2], ", A2 =", result.x[3], ", mu2 =", result.x[4], ", sigma2 =", result.x[5]) ``` #### 神经网络拟合方法 若曲线关系复杂且无法用简单函数表达，可以使用神经网络进行非参数拟合。Keras 提供了构建和训练网络的工具，能够学习任意非线性关系。输出层使用 Sigmoid 激活函数，确保输出在 [0,1] 范围内。 ```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense model = Sequential([ Dense(64, activation='relu', input_shape=(1,)), Dense(64, activation='relu'), Dense(1, activation='sigmoid') ]) model.compile(optimizer='adam', loss='mse') model.fit(x_data, y_data, epochs=500, verbose=0) ``` #### 拟合曲线的数学表达 虽然神经网络本身不提供显式函数表达式，但可以通过提取网络权重和偏置，手动写出每层的计算公式，构建完整的函数表达式。例如，一个两层网络的输出可表示为： $$ \hat{y} = \sigma(W_2 \cdot \text{ReLU}(W_1 \cdot x + b_1) + b_2) $$ 其中 $ \sigma $ 表示 Sigmoid 函数，$ W_1 $、$ W_2 $ 是权重矩阵，$ b_1 $、$ b_2 $ 是偏置项。使用 `model.get_weights()` 可获取这些参数并代入公式。 ---