1. 高斯拟合的数学原理与应用场景
当你看到实验数据中出现一个漂亮的"钟形曲线"时,很可能就遇到了统计学中最重要的分布——高斯分布(也叫正态分布)。这个看似简单的曲线背后,隐藏着自然界无数现象的统计规律。从物理实验测量误差到人群身高分布,从传感器噪声到金融数据波动,高斯分布无处不在。
高斯函数的标准形式看起来并不复杂:
f(x) = a * exp(-(x-μ)²/(2σ²))
其中a控制曲线高度,μ决定中心位置,σ影响曲线宽度。但当我们手头有一组实验数据想要拟合出这三个参数时,问题就变得有趣起来了。我在处理光谱仪数据时就经常遇到这个需求——每次测量得到的谱线都需要快速准确地拟合出峰位、峰强和峰宽。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 最小二乘法的数学魔法
2.1 从非线性到线性的巧妙转换
直接拟合指数函数会遇到非线性优化的复杂问题。这里有个绝妙的技巧:对高斯函数两边取自然对数。这个操作就像变魔术一样,把棘手的指数函数变成了友好的二次函数:
ln(f(x)) = ln(a) - (x-μ)²/(2σ²) = Ax² + Bx + C
这个转换后,A、B、C与原始参数的关系一目了然:
A = -1/(2σ²)
B = μ/σ²
C = ln(a) - μ²/(2σ²)
2.2 构建线性方程组的关键步骤
假设我们有n个数据点(xi, yi),首先需要过滤掉yi≤0的点(因为对数运算需要正数)。然后计算以下累加量:
S_x4 = Σxi⁴
S_x3 = Σxi³
S_x2 = Σxi²
S_x = Σxi
S_1 = n
S_zx2 = Σ(ln(yi)*xi²)
S_zx2 = Σ(ln(yi)*xi)
S_z = Σln(yi)
这些累加量会构成一个3×3的线性方程组:
[S_x4 S_x3 S_x2][A] [S_zx2]
[S_x3 S_x2 S_x ][B] = [S_zx1]
[S_x2 S_x S_1 ][C] [S_z ]
3. Python实现细节剖析
3.1 线性方程组的求解艺术
解这个方程组有多种方法,我选择用克莱姆法则(Cramer's Rule)来实现,因为它直观且易于调试。核心是计算3×3矩阵的行列式:
python复制def det3(m):
return (m[0][0]*(m[1
