本文讲解如何通过改进拟合函数（增加偏移项）、合理初始化参数、数据平滑与相位校准，显著提升抖动视频中单摆运动轨迹的余弦拟合质量。
本文讲解如何通过改进拟合函数（增加偏移项）、合理初始化参数、数据平滑与相位校准，显著提升抖动视频中单摆运动轨迹的余弦拟合质量。
在基于视频运动追踪获取的单摆数据中，手抖导致的噪声、传感器漂移及坐标系偏移常使原始数据严重偏离理想余弦模型（如 x(t) = A·cos(ωt)）。直接拟合无偏移的纯余弦函数往往导致整体拟合曲线系统性下移（如问题中“fit is way below my data”），根本原因在于忽略了物理系统的静态偏置——例如摄像头未对准平衡点、图像坐标原点偏移或背景亮度漂移引起的直流分量。
✅ 关键改进：引入偏移项（offset）
最基础且有效的修正，是将拟合函数从
def cos_func(times, amplitude, frequency):
return amplitude * np.cos(frequency * times)升级为包含垂直偏移的完整模型：
def cos_func(times, amplitude, frequency, offset):
return amplitude * np.cos(frequency * times) + offset该模型具备三个自由度，能同时拟合振幅、角频率和平衡位置（即 x 轴截距），避免因强制过原点导致的系统性偏差。
✅ 参数初始化必须可靠
错误的初值会令 curve_fit 陷入局部极小。推荐以下物理驱动的初始化策略：
- amplitude ≈ (max(x) − min(x)) / 2（峰峰值一半）
- frequency ≈ 2π / T₀，其中 T₀ 为目视估计周期（如 150 s → ω₀ ≈ 0.0419 rad/s）
- offset ≈ np.mean(x)（数据均值，即平衡点粗略估计）
⚠️ 注意：问题中手动添加 shift 并修改 popt[2] 的做法是错误的——curve_fit 返回的是最优参数，不应事后人为扰动；相位/偏移应由优化器自主求解。
✅ 进阶建议（显著提升鲁棒性）
- 数据预处理：对 x 应用低通滤波或移动平均（如 scipy.signal.savgol_filter(x, window_length=11, polyorder=3)）抑制高频抖动；
- 加入相位项：若需更高精度，使用四参数模型 A·cos(ωt + φ) + c，但需确保初始相位 φ₀ 合理（如用 FFT 估计初相）；
- 检查时间轴：确认 t 是否严格等间隔且无累积误差（视频帧率漂移常见）；
- 可视化残差：绘制 x − fit 曲线，若残差呈趋势性，说明模型仍不充分（如需二次项校正基线漂移）。
最终稳健代码示例：
from scipy.optimize import curve_fit
from scipy.signal import savgol_filter
import numpy as np
# 加载并平滑数据
data = np.loadtxt('newdata.txt', delimiter=',', skiprows=1)
t, x_raw = data[:, 0], data[:, 1]
x = savgol_filter(x_raw, window_length=11, polyorder=3) # 去噪
# 定义含偏移的模型
def cos_func(t, A, ω, c):
return A * np.cos(ω * t) + c
# 物理驱动初值
p0 = [
(np.max(x) - np.min(x)) / 2, # A
2 * np.pi / 150, # ω ≈ 2π/T
np.mean(x) # c
]
# 拟合
popt, pcov = curve_fit(cos_func, t, x, p0=p0, maxfev=5000)
A_fit, ω_fit, c_fit = popt
# 绘图验证
plt.figure(figsize=(10, 5))
plt.plot(t, x, 'k.', alpha=0.6, label='Smoothed data')
plt.plot(t, cos_func(t, *popt), 'r-', lw=2, label=f'Fit: $A={A_fit:.1f},\, \omega={ω_fit:.4f},\, c={c_fit:.1f}$')
plt.xlabel('Time (s)'); plt.ylabel('Position (px)'); plt.legend(); plt.grid(True)总结：拟合失败往往源于模型欠完备（缺 offset）或初值失当。优先保证模型物理合理性（含偏移）、用数据统计量初始化、辅以轻量平滑，即可解决绝大多数“拟合整体偏低”的问题。
