通常不带常数项的指数函数（）可以通过两边取对数转化成线性函数，然后再通过最小二乘法拟合求解，但是带常数的指数函数是非线性的，所以该方法就失效了。所以只能用如下方法，以下方法是在一个国外的一个论坛上找到的，先求导，再进行线性回归。
以下是python实现的代码
from cmath import expimport numpy as npimport matplotlib.pyplot as pltfrom scipy import optimize as op# 需要拟合的数据组x = np.array([0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09, 0.1, 0.11, 0.12])y = np.array([302.37, 276.29, 257.62, 242.03, 231.04, 215.03, 203.59, 195.18, 188.67, 178.68, 174.98, 169.79])def regress_exponential_with_offset(x, y):# sort valuesind = np.argsort(x)x = x[ind]y = y[ind]# decaying exponentials need special treatment# since we can't take the log of negative numbers.neg = -1 if y[0] > y[-1] else 1dx = np.diff(x)dy = np.diff(y)dy_dx = dy / dx# filter any remaining negative numbers.v = x[:-1]u = neg * dy_dxind = np.where(u > 0)[0]v = v[ind]u = u[ind]# perform regressionu = np.log(u)s, t = np.polyfit(v, u, 1)a = sb = neg * np.exp(t) / ayy = np.exp(a * x) * bc = np.median(y - yy)return a, b, c# 得到返回的A，B值t = regress_exponential_with_offset(x,y)a = t[0]b = t[1]c = t[2]print(a)# 数据点与原先的进行画图比较plt.scatter(x, y, marker='o',label='real')x = np.arange(0, 0.15, 0.01)y = b*np.exp(a*x) + cplt.plot(x, y,color='red',label='curve_fit')plt.legend()plt.show()
拟合后的效果，如下图
如果觉得《带常数项指数函数的非线性回归方法（python实现）》对你有帮助，请点赞、收藏，并留下你的观点哦！
