请注意，a=0在zunzun的估算中和您的第一个模型中。因此，他们只是在估计一个常数。因此，b在第一种情况下，并b和c在第二种情况下是不相关的，而不是鉴定。
我上次查看时，Zunzun还使用微分进化作为全局求解器。Scipy现在已经成为了看起来不错的全局优化器，这在可能出现局部最小值的情况下值得一试。
我的“便宜”方法，因为在您的示例中参数没有很大的范围：请尝试使用随机起始值
np.random.seed(1)
err_last = 20
best = None
for i in range(10):
start = np.random.uniform(-10, 10, size=4)
# Get parameters estimate
try:
popt2, pcov2 = curve_fit(func2, xdata, ydata, p0=start)
except RuntimeError:
continue
err = ((ydata - func2(xdata, *popt2))**2).sum()
if err < err_last:
err_last = err
print err
best = popt2
za = 6.2426224704624871E-15
zb = 1.5217697532005228E+00
zc = 2.0660424037614489E-01
zd = 2.1570805929514186E-02
zz = np.array([za,zb,zc,zd])
print 'zz', zz
print 'cf', best
print 'zz', ((ydata - func2(xdata, *zz))**2).sum()
print 'cf', err_last
最后一部分打印（zz是zunzun，cf是curve_fit）
zz [ 6.24262247e-15 1.52176975e+00 2.06604240e-01 2.15708059e-02]
cf [ 1.24791299e-16 1.52176944e+00 4.11911831e+00 2.15708019e-02]
zz 9.52135153898
cf 9.52135153904
b和和相比c，参数与Zunzun不同，但残差平方和相同。
a * np.exp(b * x + c) + d = np.exp(b * x + (c + np.log(a))) + d
要么
a * np.exp(b * x + c) + d = (a * np.exp(c)) * np.exp(b * x) + d
第二个功能与第一个功能并没有什么不同。a并且c未单独标识。因此，使用派生信息的优化器也会遇到问题，因为如果我正确地看到的话，雅可比行列在某些方向上是奇异的。
602392714
清零编程群