我需要拟合一条曲线到数据，并且首先在我自己创建的图上测试scipy.optimize.curve_fit。令人担忧的是，仅仅稍微改变边界就会影响曲线参数的估计值，这并不能让人很有信心在真实的数据上正确估计。为什么会发生这种情况，我可以使用curve_fit的替代方法吗？
我正在测试的功能（最终需要适合数据）是y = a*(x/b)**9。我在下面的代码中为a = 0.03和b = 0.007绘制了它，然后我用curve_适合估计a和B。如果我设定0 < a < 0.1的界限，它会高估a为0.0429。如果我设定0 < a < 0.04的界限，它会低估a是0.0222。我的实际数据有很多次幂（d），所以我不仅要估计d = 9，还要估计d的范围。如果它们都被低估或高估，这将在最后产生很大的影响。有没有办法可以解决这个问题？

import numpy as np
import matplotlib.pyplot as plt 
from scipy.optimize import curve_fit

d = 9

def func(x,a,b):
    return a*(x/b)**d

x = np.logspace(-3.2,-2,20)

a = 0.03
b = 0.007
print(f"a = {a}, b = {b}")

y = func(x,a,b) 
plt.loglog(x,y)
plt.savefig("test.png")
plt.show()

popt, pcov = curve_fit(func,x,y, bounds = ([0,0.005],[0.04,0.009]))
print(f'a ≈ {popt[0]}, b ≈ {popt[1]}')

字符串

的数据