least-squares

1熱度

1回答

我試圖獲得y，附圖中所示的x的函數。由於峯值行爲，我無法使用多項式擬合來獲得此函數。擬合曲線以獲得其輸出將是x的顯式函數的方程的最佳方法是什麼？

7熱度

1回答

我讀的功能solvePnP()的源代碼在OpenCV中，當flags PARAM使用默認值SOLVEPNP_ITERATIVE，它調用cvFindExtrinsicCameraParams2，其中首先使用DLT算法（如果我們有3D點的非平面集）來初始化6DOF相機姿態，並且SECOND使用CvLevMarq solver來最小化重投影誤差。我的問題是：DLT將問題描述爲線性最小二乘問題並用SVD

2熱度

1回答

從scipy.optimize.least_squares

（傳統）scipy.optimize.leastsq等效cov_x的遺留scipy.optimize.leastsq函數返回一個cov_x參數： cov_x：ndarray 採用fjac和ipvt可選輸出以構建解決方案周圍的雅可比估計。如果遇到奇異矩陣，則無（表示在某個方向上曲率非常平坦）。該矩陣必須乘以殘差方差才能得到參數估計的協方差 - 參見curve_fit。對估計參數估計值的方差很有用。

1熱度

1回答

LMS批量梯度下降NumPy

我想寫一些非常簡單的LMS批梯度下降，但我相信我做錯了梯度。對於theta的元素，theta的數量級與初始值之間的比率是非常不同的，因此theta[2]不會移動（例如，如果alpha = 1e-8）或theta[1]射出（例如如果alpha = .01）。 import numpy as np y = np.array([[400], [330], [369], [232], [540]])

1熱度

1回答

Python lmfit在加權合適後縮小了卡方太小

我正在使用一些測試數據並使用以下代碼在Python 2.7中運行適配器lmfit。我需要權重爲1/y（使用Leven-Marq。例程）。我已經定義的權重，並在這裏使用它們： from __future__ import division from numpy import array, var from lmfit import Model from lmfit.models import

0熱度

1回答

MATLAB簡單的MLE解決方案

所以我試圖在MATLAB上爲線性最小二乘模型擬合一個自定義函數。我的數據叫做logprice_hour_seas，看起來像一個複雜的非線性函數，我想用我自定義的函數seasonMatrix來適應，但是要理解MATLAB的MLE是如何工作的，我這樣做是愚蠢的，因爲seasonMatrix只是一個線性函數。幫助我理解這個代碼，這是我從MATLAB的站點複製，以及邏輯（閱讀以下） Times = [0:

0熱度

2回答

具有邊界約束的非線性最小二乘法求解器

我正在尋找Julia中Matlab的lsqnonlin函數的模擬。 LsqFit.jl看起來不錯，但不接受相同的論據Matlab的實現;具體爲：下界上界初始條件其中初始條件，下，和上界是長度的矢量6. 任何意見將是真棒。謝謝！

0熱度

1回答

scipy.optimize.minimize在python中進行約束優化

在下面的問題中，我使用scipy.optimize.minimize函數來解決具有5個參數的約束優化問題，名爲params。當我在Python中調試我的腳本時，最佳參數返回了一個向量元素。有任何想法嗎？ from scipy.optimize import minimize xdata = np.arange(0, 17.5, 0.125)*0.1 xdata= xdata[60:85]

0熱度

1回答

求解非負最小二乘問題「xA = b」

我想找到「xA = b」的非負最小二乘解。我很高興在Python，Matlab或R中得到答案。 A是一個6 * 10矩陣，而b是8192 * 10矩陣。我發現了一些函數：Python中的least_squares和nnls以及Matlab中的lsqnonneg。 nnls和lsqnonneg僅用於Ax=b。我的least_squares執行給我一個錯誤： import numpy as np

0熱度

1回答

如何在這個scipy最小平方優化程序中應用權重？

我想做一個廣義最小二乘擬合，找到通過一些（x，y）數據點的最佳擬合線。我可以通過scipy做到這一點，但我在應用重量時遇到了問題。我想從原始擬合的殘差中獲得權重，並嘗試使用權重通過最小二乘法進行重新安裝。權重應該是殘差的倒數，但由於-1 < residuals < 1這只是一個例子，我可以將殘差用作權重。（x，y）數據點在其他地方計算，目標是找到最佳擬合線y = x/alpha +截距的alph