如何在线性组合拟合中允许各组分在能量轴（x）上自由平移以提升拟合精度-Python教程-PHP中文网

如何在线性组合拟合中允许各组分在能量轴（x）上自由平移以提升拟合精度

本文介绍如何在线性组合拟合中引入可调的x轴位移参数（如能量偏移），通过插值函数动态映射不同组分在目标能量网格上的强度值，从而显著提升多峰谱线拟合的灵活性与准确性。

本文介绍如何在线性组合拟合中引入可调的x轴位移参数（如能量偏移），通过插值函数动态映射不同组分在目标能量网格上的强度值，从而显著提升多峰谱线拟合的灵活性与准确性。

在光谱分析、X射线吸收精细结构（XAFS）或穆斯堡尔谱等场景中，实验测得的复合谱形往往由多个已知标准谱形（lineshapes）按比例叠加而成。但实际中，各组分因化学环境差异常存在微小的能量位移（如化学位移、仪器漂移），若强制要求所有组分严格对齐同一能量坐标，会严重限制拟合质量。此时，单纯优化权重系数（a, b, c）是不够的——必须允许各组分在x轴（如Energy）上独立平移。

核心思路是：将固定网格上的离散强度值，转化为能量坐标的连续函数，并将位移量作为待优化参数参与最小化过程。这可通过 scipy.interpolate.interp1d 实现高精度一维插值，确保任意能量点处的强度均可被稳健估算。

以下为完整实现步骤（基于 lmfit 框架）：

✅ 步骤 1：构建插值函数

from scipy.interpolate import interp1d
import numpy as np

# 假设 component_1/2/3 和 df1 均含 'Energy' 与 'Intensity' 列
f1 = interp1d(component_1['Energy'], component_1['Intensity'], 
               kind='cubic', fill_value='extrapolate')
f2 = interp1d(component_2['Energy'], component_2['Intensity'], 
               kind='cubic', fill_value='extrapolate')
f3 = interp1d(component_3['Energy'], component_3['Intensity'], 
               kind='cubic', fill_value='extrapolate')

# 目标数据插值（用于在任意能量点获取观测值和不确定度）
f_obs = interp1d(df1['Energy'], df1['Intensity'], 
                  kind='cubic', fill_value='extrapolate')
f_unc = interp1d(df1['Energy'], df1['unc'], 
                 kind='linear', fill_value=np.nan)

⚠️ 注意：fill_value='extrapolate' 可避免位移后超出原始范围导致报错；推荐使用 'cubic' 提升插值平滑性，但需确保原始数据足够密集。

✅ 步骤 2：扩展参数空间，加入位移变量

from lmfit import Parameters, minimize

params = Parameters()
params.add('a', value=0.33, min=0, max=1)
params.add('b', value=0.33, min=0, max=1)
params.add('c', value=0.33, min=0, max=1)

# 添加三个独立位移参数（单位：Energy），例如 e1, e2, e3
params.add('e1', value=0.0, min=-0.5, max=0.5)  # ±0.5 eV 偏移范围（按需调整）
params.add('e2', value=0.0, min=-0.5, max=0.5)
params.add('e3', value=0.0, min=-0.5, max=0.5)

✅ 步骤 3：重写目标函数，支持动态位移

def residual(params):
    a = params['a'].value
    b = params['b'].value
    c = params['c'].value
    e1 = params['e1'].value
    e2 = params['e2'].value
    e3 = params['e3'].value

    # 在目标能量网格上统一计算各组分位移后的强度
    energy_grid = df1['Energy'].values
    c1_shifted = f1(energy_grid + e1)
    c2_shifted = f2(energy_grid + e2)
    c3_shifted = f3(energy_grid + e3)

    calc = a * c1_shifted + b * c2_shifted + c * c3_shifted
    obs = f_obs(energy_grid)
    unc = f_unc(energy_grid)

    return (obs - calc) / unc

# 执行拟合（注意：需确保插值不返回 NaN）
result = minimize(residual, params, nan_policy='omit')

✅ 关键优势与注意事项

物理意义明确：每个 e_i 对应第 i 个组分的系统性能量偏移，结果可直接用于化学态分析；
避免重采样失真：相比对原始数据做整体插值重采样，本方法在拟合循环内动态插值，精度更高、内存更省；
收敛性提示：位移参数易引发局部极小，建议：
- 初始值设为 0，范围根据先验知识收紧（如 ±0.2 eV）；
- 使用 method='leastsq' 或 'differential_evolution' 增强鲁棒性；
扩展性：可进一步耦合缩放因子（如能量轴拉伸）、非线性畸变项，构建更复杂模型。