doc/en/ref_algorithm_UnscentedKalmanFilter.rst

   1 ..
   2    Copyright (C) 2008-2015 EDF R&D
   3
   4    This file is part of SALOME ADAO module.
   5
   6    This library is free software; you can redistribute it and/or
   7    modify it under the terms of the GNU Lesser General Public
   8    License as published by the Free Software Foundation; either
   9    version 2.1 of the License, or (at your option) any later version.
  10
  11    This library is distributed in the hope that it will be useful,
  12    but WITHOUT ANY WARRANTY; without even the implied warranty of
  13    MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  14    Lesser General Public License for more details.
  15
  16    You should have received a copy of the GNU Lesser General Public
  17    License along with this library; if not, write to the Free Software
  18    Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA  02111-1307 USA
  19
  20    See http://www.salome-platform.org/ or email : webmaster.salome@opencascade.com
  21
  22    Author: Jean-Philippe Argaud, jean-philippe.argaud@edf.fr, EDF R&D
  23
  24 .. index:: single: UnscentedKalmanFilter
  25 .. _section_ref_algorithm_UnscentedKalmanFilter:
  26
  27 Calculation algorithm "*UnscentedKalmanFilter*"
  28 -----------------------------------------------
  29
  30 Description
  31 +++++++++++
  32
  33 This algorithm realizes an estimation of the state of a dynamic system by a
  34 "unscented" Kalman Filter, avoiding to have to perform the tangent and adjoint
  35 operators for the observation and evolution operators, as in the simple or
  36 extended Kalman filter.
  37
  38 Optional and required commands
  39 ++++++++++++++++++++++++++++++
  40
  41 .. index:: single: AlgorithmParameters
  42 .. index:: single: Background
  43 .. index:: single: BackgroundError
  44 .. index:: single: Observation
  45 .. index:: single: ObservationError
  46 .. index:: single: ObservationOperator
  47 .. index:: single: Bounds
  48 .. index:: single: ConstrainedBy
  49 .. index:: single: EstimationOf
  50 .. index:: single: Alpha
  51 .. index:: single: Beta
  52 .. index:: single: Kappa
  53 .. index:: single: Reconditioner
  54 .. index:: single: StoreSupplementaryCalculations
  55
  56 The general required commands, available in the editing user interface, are the
  57 following:
  58
  59   Background
  60     *Required command*. This indicates the background or initial vector used,
  61     previously noted as :math:`\mathbf{x}^b`. Its value is defined as a
  62     "*Vector*" or a *VectorSerie*" type object.
  63
  64   BackgroundError
  65     *Required command*. This indicates the background error covariance matrix,
  66     previously noted as :math:`\mathbf{B}`. Its value is defined as a "*Matrix*"
  67     type object, a "*ScalarSparseMatrix*" type object, or a
  68     "*DiagonalSparseMatrix*" type object.
  69
  70   Observation
  71     *Required command*. This indicates the observation vector used for data
  72     assimilation or optimization, previously noted as :math:`\mathbf{y}^o`. It
  73     is defined as a "*Vector*" or a *VectorSerie* type object.
  74
  75   ObservationError
  76     *Required command*. This indicates the observation error covariance matrix,
  77     previously noted as :math:`\mathbf{R}`. It is defined as a "*Matrix*" type
  78     object, a "*ScalarSparseMatrix*" type object, or a "*DiagonalSparseMatrix*"
  79     type object.
  80
  81   ObservationOperator
  82     *Required command*. This indicates the observation operator, previously
  83     noted :math:`H`, which transforms the input parameters :math:`\mathbf{x}` to
  84     results :math:`\mathbf{y}` to be compared to observations
  85     :math:`\mathbf{y}^o`. Its value is defined as a "*Function*" type object or
  86     a "*Matrix*" type one. In the case of "*Function*" type, different
  87     functional forms can be used, as described in the section
  88     :ref:`section_ref_operator_requirements`. If there is some control :math:`U`
  89     included in the observation, the operator has to be applied to a pair
  90     :math:`(X,U)`.
  91
  92 The general optional commands, available in the editing user interface, are
  93 indicated in :ref:`section_ref_assimilation_keywords`. Moreover, the parameters
  94 of the command "*AlgorithmParameters*" allows to choose the specific options,
  95 described hereafter, of the algorithm. See
  96 :ref:`section_ref_options_Algorithm_Parameters` for the good use of this
  97 command.
  98
  99 The options of the algorithm are the following:
 100
 101   Bounds
 102     This key allows to define upper and lower bounds for every state variable
 103     being optimized. Bounds have to be given by a list of list of pairs of
 104     lower/upper bounds for each variable, with extreme values every time there
 105     is no bound (``None`` is not allowed when there is no bound).
 106
 107     Example : ``{"Bounds":[[2.,5.],[1.e-2,10.],[-30.,1.e99],[-1.e99,1.e99]]}``
 108
 109   EstimationOf
 110     This key allows to choose the type of estimation to be performed. It can be
 111     either state-estimation, with a value of "State", or parameter-estimation,
 112     with a value of "Parameters". The default choice is "State".
 113
 114     Example : ``{"EstimationOf":"Parameters"}``
 115
 116   Alpha, Beta, Kappa, Reconditioner
 117     These keys are internal scaling parameters. "Alpha" requires a value between
 118     1.e-4 and 1. "Beta" has an optimal value of 2 for Gaussian *a priori*
 119     distribution. "Kappa" requires an integer value, and the right default is
 120     obtained by setting it to 0. "Reconditioner" requires a value between 1.e-3
 121     and 10, it defaults to 1.
 122
 123     Example : ``{"Alpha":1,"Beta":2,"Kappa":0,"Reconditioner":1}``
 124
 125   StoreSupplementaryCalculations
 126     This list indicates the names of the supplementary variables that can be
 127     available at the end of the algorithm. It involves potentially costly
 128     calculations or memory consumptions. The default is a void list, none of
 129     these variables being calculated and stored by default. The possible names
 130     are in the following list: ["APosterioriCovariance", "BMA", "CostFunctionJ",
 131     "CurrentState", "Innovation"].
 132
 133     Example : ``{"StoreSupplementaryCalculations":["BMA","Innovation"]}``
 134
 135 Information and variables available at the end of the algorithm
 136 +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
 137
 138 At the output, after executing the algorithm, there are variables and
 139 information originating from the calculation. The description of
 140 :ref:`section_ref_output_variables` show the way to obtain them by the method
 141 named ``get`` of the variable "*ADD*" of the post-processing. The input
 142 variables, available to the user at the output in order to facilitate the
 143 writing of post-processing procedures, are described in the
 144 :ref:`subsection_r_o_v_Inventaire`.
 145
 146 The unconditional outputs of the algorithm are the following:
 147
 148   Analysis
 149     *List of vectors*. Each element is an optimal state :math:`\mathbf{x}*` in
 150     optimization or an analysis :math:`\mathbf{x}^a` in data assimilation.
 151
 152     Example : ``Xa = ADD.get("Analysis")[-1]``
 153
 154 The conditional outputs of the algorithm are the following:
 155
 156   APosterioriCovariance
 157     *List of matrices*. Each element is an *a posteriori* error covariance
 158     matrix :math:`\mathbf{A}*` of the optimal state.
 159
 160     Example : ``A = ADD.get("APosterioriCovariance")[-1]``
 161
 162   BMA
 163     *List of vectors*. Each element is a vector of difference between the
 164     background and the optimal state.
 165
 166     Example : ``bma = ADD.get("BMA")[-1]``
 167
 168   CostFunctionJ
 169     *List of values*. Each element is a value of the error function :math:`J`.
 170
 171     Example : ``J = ADD.get("CostFunctionJ")[:]``
 172
 173   CostFunctionJb
 174     *List of values*. Each element is a value of the error function :math:`J^b`,
 175     that is of the background difference part.
 176
 177     Example : ``Jb = ADD.get("CostFunctionJb")[:]``
 178
 179   CostFunctionJo
 180     *List of values*. Each element is a value of the error function :math:`J^o`,
 181     that is of the observation difference part.
 182
 183     Example : ``Jo = ADD.get("CostFunctionJo")[:]``
 184
 185   CurrentState
 186     *List of vectors*. Each element is a usual state vector used during the
 187     optimization algorithm procedure.
 188
 189     Example : ``Xs = ADD.get("CurrentState")[:]``
 190
 191   Innovation
 192     *List of vectors*. Each element is an innovation vector, which is in static
 193     the difference between the optimal and the background, and in dynamic the
 194     evolution increment.
 195
 196     Example : ``d = ADD.get("Innovation")[-1]``
 197
 198 See also
 199 ++++++++
 200
 201 References to other sections:
 202   - :ref:`section_ref_algorithm_KalmanFilter`
 203   - :ref:`section_ref_algorithm_ExtendedKalmanFilter`
 204
 205 Bibliographical references:
 206   - [WikipediaUKF]_