本文针对摆锤运动实验中因手抖导致的数据噪声大、拟合曲线严重偏离实测数据的问题，系统讲解如何通过引入直流偏移项、合理初始化参数、预处理数据及验证拟合质量来显著提升余弦函数拟合的准确性。
本文针对摆锤运动实验中因手抖导致的数据噪声大、拟合曲线严重偏离实测数据的问题，系统讲解如何通过引入直流偏移项、合理初始化参数、预处理数据及验证拟合质量来显著提升余弦函数拟合的准确性。
在分析摆锤视频追踪数据时，原始拟合（amplitude * cos(frequency * t)）严重偏低，根本原因在于模型缺失关键物理自由度——垂直方向的系统性偏移（DC offset）。真实实验中，摄像头安装高度、坐标系原点设定或软件标定误差，常导致整个轨迹沿 y 轴整体上移或下移。若强行用无偏移的纯余弦函数拟合，优化器只能“妥协”于牺牲振幅和相位来最小化残差，最终造成拟合曲线整体塌陷（如您图中远低于数据的趋势）。
✅ 正确做法是采用带偏移的完整谐波模型：
def cos_func(times, amplitude, frequency, offset):
return amplitude * np.cos(frequency * times) + offset
该模型含 3 个物理可解释参数：振幅（A）、角频率（ω = 2πf）、以及最关键的零点偏移（offset）。它能独立调节拟合曲线的垂直位置，避免振幅被错误压缩。
? 关键改进步骤：
-
科学初始化参数（非猜测）
initial_amplitude = (np.max(x) - np.min(x)) / 2.0 # 峰峰值一半（鲁棒估计） initial_frequency = 2 * np.pi / np.mean(np.diff(t[x > np.median(x)])) # 粗略周期估算（推荐用FFT更准） initial_offset = np.mean(x) # 直接用数据均值作为offset初值（最合理！） p0 = (initial_amplitude, initial_frequency, initial_offset)
-
务必添加数据预处理（必须！）
手抖引入高频噪声会严重干扰 curve_fit。在拟合前进行轻量平滑：from scipy.signal import savgol_filter x_smooth = savgol_filter(x, window_length=51, polyorder=3) # 自适应窗口，抑制抖动不扭曲周期 popt, pcov = curve_fit(cos_func, t, x_smooth, p0=p0)
-
验证拟合合理性
拟合后检查协方差矩阵对角元（np.sqrt(np.diag(pcov))）是否远小于对应参数值（表明收敛可靠），并绘制残差图：residuals = x - cos_func(t, *popt) plt.figure(figsize=(10,4)) plt.subplot(1,2,1); plt.plot(t, x, 'o', ms=1, label='Data'); plt.plot(t, cos_func(t,*popt), '-', lw=2, label='Fit'); plt.legend() plt.subplot(1,2,2); plt.plot(t, residuals, '.'); plt.axhline(0, c='r', ls='--'); plt.title('Residuals')
⚠️ 注意：您代码中手动修改 popt[2] += shift * initial_frequency 是危险操作——curve_fit 已自动优化相位，人为干预会破坏最优解；且 shift 的物理意义不明，应删除。相位（phase）仅在需要显式建模初相角（如 cos(ωt + φ)）时引入，而本例中 offset 已解决核心偏移问题，三参数模型更稳定、更易收敛。
总结：拟合失效往往源于模型欠定（missing term），而非算法问题。加入 + offset 是解决“拟合整体偏低”的黄金准则；辅以平滑预处理与物理驱动的初值，即可获得高精度、可解释的摆锤运动参数（如精确周期 T = 2π/ω）。
