我正在尝试使用scipy curve_fit将周期数据拟合到模板中，但它找不到周期

Question

我正在尝试编写一个脚本，获取潜在变星的光度数据，并尝试将理论模板拟合到该脚本中，以确定有关它的几个特征，如周期和振幅。

数据带有日期/时间(以mjd表示，本质上是自公元前4713年1月1日以来的天数)和亮度。

模板是一个由相位和y值组成的数组，当y从0到1再回到0时，相位从t=0到t=.998 (以.002为增量)。

我的模型函数将拉伸和移动模板，使其具有与数据的y值相同的峰间振幅和范围。我移动给定的t值，然后除以周期，得到时间的相位。我使用%1删除除小数值以外的所有内容，因为我不关心数据来自哪个周期，只关心它在周期中的位置。(ex 347.65 -> 0.65)

class tmpfitter:
    def __init__ (self, templets)
        self.n=0
        self.tmps=templets

    def model(self, t, period, t0, amplitude, yoffset):
        # modify the template using peak-to-peak amplitude, yoffset
        # shift times so phases line up, fold input times t by period
        xtemp = self.tmps[self.n,:,0]
        ytemp = self.tmps[self.n,:,1]*amplitude + yoffset
        ph = (t - t0) / period % 1 #Folds data into single period
        # interpolate the modified template at the phase we want
        return interp1d(xtemp,ytemp)(ph)


def tmpfit(templets,data,pinit):
    datfit = []
    npars = []
    fitter = tmpfitter(templets)
    # Iterate through all templates, finding a best fit for each, find best fit of best fits at end.
    for i in range(len(templets)):
        fitter.n = i
        pars, cov = curve_fit(fitter.model, data[:,0], data[:,1], sigma=data[:,2], p0=pinit, maxfev=10000)
        datfit.append(median(abs(fitter.model(data[:,0],pars[0],pars[1],pars[2],pars[3])-data[:,1])))
        npars.append(pars)
    n = np.argmin(datfit)
    return n, npars[n]

这会正确地找到t0、振幅和yoffset的值，但不能找到周期。如果我在初始猜测(p0)中给出了正确的句号，那么就可以成功地将模板与数据匹配起来。但是，如果周期为off，则不会从最初的猜测更改周期。

我怀疑这是因为我折叠数据和砍掉整个数字部分的方式，但对curve_fit函数的了解不够，无法找到修复方法。我也尝试过使用scipy的least_squares函数(我知道curve_fit是它的包装器)，但也不能让它工作。

什么是更好的方式来做这件事呢？

Answer 1

This function会在一段时间内“折叠”你的时间序列。然后，您可以将生成的折叠时间曲线拟合为正弦曲线(或任何模型)，并查看哪个周期提供最佳结果。

如果你不想随机地尝试不同的周期，你可以对数据进行fourier transform，并寻找给出最高功率的周期。不过，我认为这个链接函数需要均匀分布的数据...

当涉及造父变星时，Here很好地描述了时间序列是如何处理的。