doc/en/scripts/simple_MeasurementsOptimalPositioningTask3.rst

   1 .. index:: single: MeasurementsOptimalPositioningTask (example)
   2
   3 Third example
   4 .............
   5
   6 This more complete example describes the optimal positioning of measurements
   7 associated with a reduced DEIM-type decomposition on a classical parametric
   8 non-linear function, as proposed in reference [Chaturantabut10]_. This
   9 particular function has the notable advantage of being dependent only on a
  10 position :math:`x` in 2D and a parameter :math:`\mu` in 2D too. It therefore
  11 enables a pedagogical illustration of optimal measurement points.
  12
  13 This function depends on the position :math:`x=(x_1,x_2)\in\Omega=[0.1,0.9]^2`
  14 in the 2D plane, and on the parameter
  15 :math:`\mu=(\mu_1,\mu_2)\in\mathcal{D}=[-1,-0.01]^2` of dimension 2 :
  16
  17 .. math:: G(x;\mu) = \frac{1}{\sqrt{(x_1 - \mu_1)^2 + (x_2 - \mu_2)^2 + 0.1^2}}
  18
  19 The function is represented on a regular :math:`\Omega_G` spatial grid of size
  20 20x20 points. It is available in ADAO built-in test models under the name
  21 `TwoDimensionalInverseDistanceCS2010`. So here we first build a set of
  22 simulations of :math:`G`, then apply the DEIM-type decomposition algorithm to
  23 it, and derive some simple illustrations.
  24
  25 It can be seen that the singular values decrease steadily down to numerical
  26 noise, indicating that around a hundred basis elements are needed to fully
  27 represent the information contained in the set of :math:`G` simulations.
  28 Furthermore, the optimal measurement points in the :math:`\Omega_G` domain are
  29 inhomogeneously distributed, favoring the spatial zone near the
  30 :math:`(0.1,0.1)` corner in which the :math:`G` function varies more.