我正在尝试将以下公式应用于我的数据:
其中A = 0.3,B = 1,lambda_pb = 0.000431062,lambda_bi = 0.000580525。
时间t,我有:
t=np.array([0, 900, 1800, 2700, 3600, 4500, 5400, 6300, 7200, 8100])
和f(t):
f=np.array([ 0., 0., 0.00555556, 0., 0., 0., 0., 0., 0., 0.])
对于G(t):
G=np.array([ 1., 0.69255058, 0.47822256, 0.32940846, 0.22642738, 0.15536312, 0.10643991, 0.07282715, 0.04977304, 0.03398402])
然后我使用以下代码对G(t)和f(t)进行卷积:
import numpy as np
from numpy import convolve
convolution=np.convolve(f, G)[:len(t)]*(t[1]-t[0])
我得到以下图:对于t <tau,我得到红色的曲线。然而,这是不正确的,因为对于t <tau,G(t-tau)= 0(因果关系原理)。因此,我想获得黑色曲线(t = tau处的垂直增加)。任何人都可以告诉我如何改进我的代码来做到这一点,只考虑t> tau的响应函数G(t-tau)?也许使用阶梯函数?
是关于情节的问题?
我对你的公式一无所知,但卷积结果对我来说很好。但是,对于数据[0,0,0.00555556 ...],plt.plot
将绘制这样的曲线。 plt.step
可以解决这个问题
plt.step(t[:3], convolution[:3], where='post', color='r')
plt.plot(t[2:], convolution[2:], color='r')
或者,如果可以的话,重新采样也可以减轻它
def G(t):
term1 = A * lambda_bi / (lambda_bi - lambda_pb)
term2 = np.exp(-lambda_pb * t) - np.exp(-lambda_bi * t)
term3 = B * np.exp(-lambda_bi * t)
return term1 * term2 + term3
t = np.linspace(0, 8100, 811)
f = np.zeros(t.shape)
f[t==1800] = 0.00555556
g = G(t)
conv = np.convolve(f, g)[:len(t)]*(t[1]-t[0])
plt.plot(conv)