src/daComposant/daAlgorithms/Blue.py

   1 #-*-coding:iso-8859-1-*-
   2 #
   3 #  Copyright (C) 2008-2009  EDF R&D
   4 #
   5 #  This library is free software; you can redistribute it and/or
   6 #  modify it under the terms of the GNU Lesser General Public
   7 #  License as published by the Free Software Foundation; either
   8 #  version 2.1 of the License.
   9 #
  10 #  This library is distributed in the hope that it will be useful,
  11 #  but WITHOUT ANY WARRANTY; without even the implied warranty of
  12 #  MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  13 #  Lesser General Public License for more details.
  14 #
  15 #  You should have received a copy of the GNU Lesser General Public
  16 #  License along with this library; if not, write to the Free Software
  17 #  Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA  02111-1307 USA
  18 #
  19 #  See http://www.salome-platform.org/ or email : webmaster.salome@opencascade.com
  20 #
  21 __doc__ = """
  22     Algorithme de Kalman simple (BLUE)
  23 """
  24 __author__ = "Jean-Philippe ARGAUD - Mars 2008"
  25
  26 import sys
  27 import logging
  28 from daCore import Persistence
  29 from daCore.BasicObjects import Algorithm
  30 from daCore import PlatformInfo ; m = PlatformInfo.SystemUsage()
  31
  32 # ==============================================================================
  33 class ElementaryAlgorithm(Algorithm):
  34     def __init__(self):
  35         Algorithm.__init__(self)
  36         self._name = "BLUE"
  37         logging.debug("%s Initialisation"%self._name)
  38
  39     def run(self, Xb=None, Y=None, H=None, M=None, R=None, B=None, Q=None, Par=None):
  40         """
  41         Calcul de l'estimateur BLUE (ou Kalman simple, ou Interpolation Optimale)
  42         """
  43         logging.debug("%s Lancement"%self._name)
  44         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("Mo")))
  45         #
  46         Hm = H["Direct"].asMatrix()
  47         Ht = H["Adjoint"].asMatrix()
  48         #
  49         # Utilisation éventuelle d'un vecteur H(Xb) précalculé
  50         # ----------------------------------------------------
  51         if H["AppliedToX"] is not None and H["AppliedToX"].has_key("HXb"):
  52             logging.debug("%s Utilisation de HXb"%self._name)
  53             HXb = H["AppliedToX"]["HXb"]
  54         else:
  55             logging.debug("%s Calcul de Hm * Xb"%self._name)
  56             HXb = Hm * Xb
  57
  58         # Calcul de la matrice de gain dans l'espace le plus petit
  59         if Y.size <= Xb.size:
  60             logging.debug("%s Calcul de K dans l'espace des observations"%self._name)
  61             K  = B * Ht * (Hm * B * Ht + R).I
  62         else:
  63             logging.debug("%s Calcul de K dans l'espace d'ébauche"%self._name)
  64             K = (Ht * R.I * Hm + B.I).I * Ht * R.I
  65         #
  66         # Calcul de l'innovation et de l'analyse
  67         # --------------------------------------
  68         d  = Y - HXb
  69         logging.debug("%s Innovation d = %s"%(self._name, d))
  70         Xa = Xb + K*d
  71         logging.debug("%s Analyse Xa = %s"%(self._name, Xa))
  72         #
  73         self.StoredVariables["Analysis"].store( Xa.A1 )
  74         self.StoredVariables["Innovation"].store( d.A1 )
  75         #
  76         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("MB")))
  77         logging.debug("%s Terminé"%self._name)
  78         #
  79         return 0
  80
  81 # ==============================================================================
  82 if __name__ == "__main__":
  83     print '\n AUTODIAGNOSTIC \n'