在 Python 中解卷积 Voigt 拟合以提取洛伦兹 FWHM？答案

【问题标题】：Deconvoluting a Voigt fitting in Python to extract Lorentzian FWHM?在 Python 中解卷积 Voigt 拟合以提取洛伦兹 FWHM？
【发布时间】：2020-02-23 01:46:54
【问题描述】：

我找到了大量关于如何将 Voigt 轮廓拟合到光谱数据的示例，但我想知道是否有办法对其进行去卷积并专门确定洛伦兹分量的 FWHM。我知道如果你在 Origin 中进行 Voigt 拟合，它会返回大量数据，包括高斯和洛伦兹 FWHM，但我正试图弄清楚如何在 Python 中做到这一点。非常感谢任何帮助。

【问题讨论】：

这真的取决于您需要的准确度。一种解决方案是使用wiki page 中描述的 Pseudo-Voigt 近似。这种近似使用高斯和洛伦兹的线性组合而不是卷积，因此可以直接提取 FWHM。
好吧，您可以使用实现的 Feddeeva 函数在 Python 中进行适当的调整。例如。见here
此外voigt配置文件本身在scipy中实现
反卷积的含义类似于...对峰值进行 FFT 并将结果与傅里叶变换的乘积拟合高斯（即高斯）和柯西轮廓的 FT（exp( -gamma |x| ) )...不过，如果涉及 FFT，会有很多陷阱

标签： python curve-fitting data-fitting deconvolution

【解决方案1】：

您应该查看 Vaczi 2014 年的文章 "A New, Simple Approximation for the Deconvolution of Instrumental Broadening in Spectroscopic Band Profiles"。

他讨论了通过从测量的 Voight 宽度/展宽中去除/反卷积基于仪器的高斯展宽来解析洛伦兹宽度。最好的公式在方程式中。 (10) 基于 Kielkopf/Olivero，最大相对误差为 3.8E-3。他建议的方程式。 (5b) 的最大相对误差为 1.2E-2 (1.2%)，应避免。

【讨论】：