Как сделать вмещение на экспериментальный график и теоретический график ⇐ Python

[Anonymous]

Экспериментальные и теоретические графики < /p>
Я в настоящее время подходит для экспериментальных результатов, а впоследствии возьму MSE для повышения точности, точность между данными и теорией. Можно ли сделать это? А как вычислять MSE? < /P>
Так что это мой код < /p>
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from scipy.signal import find_peaks
from scipy.optimize import curve_fit

A = 0.12
b = 0.005
m = 1.0
k = 7.0

gamma = b / (2 * m)

time = np.array([
0.000, 0.034, 0.068, 0.101, 0.135, 0.169, 0.203, 0.236, 0.270, 0.304,
0.338, 0.372, 0.405, 0.439, 0.473, 0.507, 0.541, 0.574, 0.608, 0.642,
0.676, 0.709, 0.743, 0.777, 0.811, 0.845, 0.878, 0.912, 0.946, 0.980,
1.013, 1.047, 1.081, 1.115, 1.149, 1.182, 1.216, 1.250, 1.284, 1.317,
1.351, 1.385, 1.419, 1.453, 1.486, 1.520, 1.554, 1.588, 1.622, 1.655,
1.689, 1.723, 1.757, 1.790, 1.824, 1.858, 1.892, 1.926, 1.959, 1.993,
2.027, 2.061, 2.094, 2.128, 2.162, 2.196, 2.230, 2.263, 2.297, 2.331,
2.365, 2.398, 2.432, 2.466, 2.500, 2.534, 2.567, 2.601, 2.635, 2.669,
2.703, 2.736, 2.770, 2.804, 2.838, 2.871, 2.905, 2.939, 2.973, 3.007,
3.040, 3.074, 3.108, 3.142, 3.175, 3.209, 3.243
])

y = np.array([
0.309, 0.320, 0.326, 0.325, 0.321, 0.312, 0.299, 0.282, 0.266, 0.249,
0.230, 0.209, 0.187, 0.169, 0.154, 0.138, 0.126, 0.115, 0.107, 0.103,
0.102, 0.107, 0.111, 0.116, 0.128, 0.140, 0.153, 0.165, 0.177, 0.192,
0.203, 0.212, 0.221, 0.228, 0.235, 0.239, 0.239, 0.240, 0.236, 0.231,
0.224, 0.217, 0.210, 0.200, 0.189, 0.181, 0.174, 0.166, 0.159, 0.152,
0.149, 0.146, 0.145, 0.145, 0.147, 0.153, 0.157, 0.162, 0.167, 0.173,
0.180, 0.186, 0.191, 0.196, 0.199, 0.202, 0.205, 0.205, 0.204, 0.203,
0.201, 0.197, 0.193, 0.189, 0.186, 0.182, 0.178, 0.174, 0.171, 0.171,
0.168, 0.166, 0.165, 0.166, 0.166, 0.169, 0.172, 0.175, 0.177, 0.179,
0.182, 0.186, 0.186, 0.188, 0.190, 0.192, 0.192
])

y -= 0.2 # Koreksi offset

peaks, _ = find_peaks(y)
periode = np.diff(time[peaks])

print("Indeks puncak:", peaks)
print("Waktu puncak:", time[peaks])
print("Periode antara puncak:", periode)
print("Periode rata-rata:", np.mean(periode))

# Ambil puncak pertama dan terakhir
y0 = y[peaks[0]]
yT = y[peaks[-1]]
T = time[peaks[-1]] - time[peaks[0]] # Selisih waktu antara puncak pertama dan terakhir

# Mencari puncak
peaks, _ = find_peaks(y)
periode = np.diff(time[peaks])

# Hitung omega_d berdasarkan data
omega_d = 2 * np.pi / np.mean(periode)

# Fungsi fitting dengan gamma sebagai parameter
def damped_cosine(t, A_fit, gamma_fit, phi_fit):
return A_fit * np.exp(-gamma_fit * t) * np.cos(omega_d * t + phi_fit)

# Fitting ke data eksperimen
popt, _ = curve_fit(damped_cosine, time, y, p0=[0.12, gamma, 0])

# Ambil hasil fitting
A_fit, gamma_fit, phi_fit = popt

# Hitung ulang data teori dengan hasil fitting
y_t_fit = damped_cosine(time, A_fit, gamma_fit, phi_fit)

# Plot hasil
plt.plot(time, y, label="Experiment")
plt.plot(time[peaks], y[peaks], "ro", label="Max")
plt.plot(time, y_t_fit, label="Fitting", linestyle="dashed")
plt.xlabel("time (s)")
plt.ylabel(" y(t)")
plt.title("Grafik Getaran Teredam dengan Fitting")
plt.legend()
plt.grid()
plt.show()

# Cetak hasil fitting
print(f"Amplitudo fit: {A_fit}")
print(f"Gamma fit: {gamma_fit}")
print(f"Fase fit: {phi_fit}")

# Hitung error rata-rata kuadratik
N = len(y)
error = (np.sum(y**2) - 2 * np.sum(y * y_t_fit) + np.sum(y_t_fit**2)) / N

# Cetak error
print(f"Error rata-rata kuadratik: {error}")


Подробнее здесь: https://stackoverflow.com/questions/795 ... ical-graph