2 Copyright (C) 2008-2016 EDF R&D
4 This file is part of SALOME ADAO module.
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.
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.
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
20 See http://www.salome-platform.org/ or email : webmaster.salome@opencascade.com
22 Author: Jean-Philippe Argaud, jean-philippe.argaud@edf.fr, EDF R&D
24 .. index:: single: UnscentedKalmanFilter
25 .. _section_ref_algorithm_UnscentedKalmanFilter:
27 Algorithme de calcul "*UnscentedKalmanFilter*"
28 ----------------------------------------------
33 Cet algorithme réalise une estimation de l'état d'un système dynamique par un
34 filtre de Kalman "unscented", permettant d'éviter de devoir calculer les
35 opérateurs tangent ou adjoint pour les opérateurs d'observation ou d'évolution,
36 comme dans les filtres de Kalman simple ou étendu.
38 Commandes requises et optionnelles
39 ++++++++++++++++++++++++++++++++++
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
56 Les commandes requises générales, disponibles dans l'interface en édition, sont
60 *Commande obligatoire*. Elle définit le vecteur d'ébauche ou
61 d'initialisation, noté précédemment :math:`\mathbf{x}^b`. Sa valeur est
62 définie comme un objet de type "*Vector*" ou de type "*VectorSerie*".
65 *Commande obligatoire*. Elle définit la matrice de covariance des erreurs
66 d'ébauche, notée précédemment :math:`\mathbf{B}`. Sa valeur est définie
67 comme un objet de type "*Matrix*", de type "*ScalarSparseMatrix*", ou de
68 type "*DiagonalSparseMatrix*".
71 *Commande obligatoire*. Elle définit le vecteur d'observation utilisé en
72 assimilation de données ou en optimisation, et noté précédemment
73 :math:`\mathbf{y}^o`. Sa valeur est définie comme un objet de type "*Vector*"
74 ou de type "*VectorSerie*".
77 *Commande obligatoire*. Elle définit la matrice de covariance des erreurs
78 d'ébauche, notée précédemment :math:`\mathbf{R}`. Sa valeur est définie
79 comme un objet de type "*Matrix*", de type "*ScalarSparseMatrix*", ou de
80 type "*DiagonalSparseMatrix*".
83 *Commande obligatoire*. Elle indique l'opérateur d'observation, noté
84 précédemment :math:`H`, qui transforme les paramètres d'entrée
85 :math:`\mathbf{x}` en résultats :math:`\mathbf{y}` qui sont à comparer aux
86 observations :math:`\mathbf{y}^o`. Sa valeur est définie comme un objet de
87 type "*Function*" ou de type "*Matrix*". Dans le cas du type "*Function*",
88 différentes formes fonctionnelles peuvent être utilisées, comme décrit dans
89 la section :ref:`section_ref_operator_requirements`. Si un contrôle
90 :math:`U` est inclus dans le modèle d'observation, l'opérateur doit être
91 appliqué à une paire :math:`(X,U)`.
93 Les commandes optionnelles générales, disponibles dans l'interface en édition,
94 sont indiquées dans la :ref:`section_ref_assimilation_keywords`. De plus, les
95 paramètres de la commande "*AlgorithmParameters*" permettent d'indiquer les
96 options particulières, décrites ci-après, de l'algorithme. On se reportera à la
97 :ref:`section_ref_options_Algorithm_Parameters` pour le bon usage de cette
100 Les options de l'algorithme sont les suivantes:
103 Cette clé permet de définir des bornes supérieure et inférieure pour chaque
104 variable d'état optimisée. Les bornes doivent être données par une liste de
105 liste de paires de bornes inférieure/supérieure pour chaque variable, avec
106 une valeur extrême chaque fois qu'il n'y a pas de borne (``None`` n'est pas
107 une valeur autorisée lorsqu'il n'y a pas de borne).
109 Exemple : ``{"Bounds":[[2.,5.],[1.e-2,10.],[-30.,1.e99],[-1.e99,1.e99]]}``
112 Cette clé permet d'indiquer la méthode de prise en compte des contraintes de
113 bornes. La seule disponible est "EstimateProjection", qui projete
114 l'estimation de l'état courant sur les contraintes de bornes.
116 Exemple : ``{"ConstrainedBy":"EstimateProjection"}``
119 Cette clé permet de choisir le type d'estimation à réaliser. Cela peut être
120 soit une estimation de l'état, avec la valeur "State", ou une estimation de
121 paramètres, avec la valeur "Parameters". Le choix par défaut est "State".
123 Exemple : ``{"EstimationOf":"Parameters"}``
125 Alpha, Beta, Kappa, Reconditioner
126 Ces clés sont des paramètres de mise à l'échelle interne. "Alpha" requiert
127 une valeur comprise entre 1.e-4 et 1. "Beta" a une valeur optimale de 2 pour
128 une distribution *a priori* gaussienne. "Kappa" requiert une valeur entière,
129 dont la bonne valeur par défaut est obtenue en la mettant à 0.
130 "Reconditioner" requiert une valeur comprise entre 1.e-3 et 10, son défaut
133 Exemple : ``{"Alpha":1,"Beta":2,"Kappa":0,"Reconditioner":1}``
135 StoreSupplementaryCalculations
136 Cette liste indique les noms des variables supplémentaires qui peuvent être
137 disponibles à la fin de l'algorithme. Cela implique potentiellement des
138 calculs ou du stockage coûteux. La valeur par défaut est une liste vide,
139 aucune de ces variables n'étant calculée et stockée par défaut. Les noms
140 possibles sont dans la liste suivante : ["APosterioriCorrelations",
141 "APosterioriCovariance", "APosterioriStandardDeviations",
142 "APosterioriVariances", "BMA", "CostFunctionJ", "CurrentState",
145 Exemple : ``{"StoreSupplementaryCalculations":["BMA", "Innovation"]}``
147 Informations et variables disponibles à la fin de l'algorithme
148 ++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
150 En sortie, après exécution de l'algorithme, on dispose d'informations et de
151 variables issues du calcul. La description des
152 :ref:`section_ref_output_variables` indique la manière de les obtenir par la
153 méthode nommée ``get`` de la variable "*ADD*" du post-processing. Les variables
154 d'entrée, mises à disposition de l'utilisateur en sortie pour faciliter
155 l'écriture des procédures de post-processing, sont décrites dans
156 l':ref:`subsection_r_o_v_Inventaire`.
158 Les sorties non conditionnelles de l'algorithme sont les suivantes:
161 *Liste de vecteurs*. Chaque élément est un état optimal :math:`\mathbf{x}*`
162 en optimisation ou une analyse :math:`\mathbf{x}^a` en assimilation de
165 Exemple : ``Xa = ADD.get("Analysis")[-1]``
167 Les sorties conditionnelles de l'algorithme sont les suivantes:
169 APosterioriCorrelations
170 *Liste de matrices*. Chaque élément est une matrice de corrélation des
171 erreurs *a posteriori* de l'état optimal.
173 Exemple : ``C = ADD.get("APosterioriCorrelations")[-1]``
175 APosterioriCovariance
176 *Liste de matrices*. Chaque élément est une matrice :math:`\mathbf{A}*` de
177 covariances des erreurs *a posteriori* de l'état optimal.
179 Exemple : ``A = ADD.get("APosterioriCovariance")[-1]``
181 APosterioriStandardDeviations
182 *Liste de matrices*. Chaque élément est une matrice d'écart-types des
183 erreurs *a posteriori* de l'état optimal.
185 Exemple : ``E = ADD.get("APosterioriStandardDeviations")[-1]``
188 *Liste de matrices*. Chaque élément est une matrice de variances des erreurs
189 *a posteriori* de l'état optimal.
191 Exemple : ``V = ADD.get("APosterioriVariances")[-1]``
194 *Liste de vecteurs*. Chaque élément est un vecteur d'écart entre
195 l'ébauche et l'état optimal.
197 Exemple : ``bma = ADD.get("BMA")[-1]``
200 *Liste de valeurs*. Chaque élément est une valeur de fonctionnelle d'écart
203 Exemple : ``J = ADD.get("CostFunctionJ")[:]``
206 *Liste de valeurs*. Chaque élément est une valeur de fonctionnelle d'écart
207 :math:`J^b`, c'est-à-dire de la partie écart à l'ébauche.
209 Exemple : ``Jb = ADD.get("CostFunctionJb")[:]``
212 *Liste de valeurs*. Chaque élément est une valeur de fonctionnelle d'écart
213 :math:`J^o`, c'est-à-dire de la partie écart à l'observation.
215 Exemple : ``Jo = ADD.get("CostFunctionJo")[:]``
218 *Liste de vecteurs*. Chaque élément est un vecteur d'état courant utilisé
219 au cours du déroulement de l'algorithme d'optimisation.
221 Exemple : ``Xs = ADD.get("CurrentState")[:]``
224 *Liste de vecteurs*. Chaque élément est un vecteur d'innovation, qui est
225 en statique l'écart de l'optimum à l'ébauche, et en dynamique l'incrément
228 Exemple : ``d = ADD.get("Innovation")[-1]``
233 Références vers d'autres sections :
234 - :ref:`section_ref_algorithm_KalmanFilter`
235 - :ref:`section_ref_algorithm_ExtendedKalmanFilter`
237 Références bibliographiques :