src/daComposant/daAlgorithms/Blue.py

   1 #-*-coding:iso-8859-1-*-
   2 #
   3 #  Copyright (C) 2008-2010  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 logging
  27 from daCore import BasicObjects, PlatformInfo
  28 m = PlatformInfo.SystemUsage()
  29
  30 # ==============================================================================
  31 class ElementaryAlgorithm(BasicObjects.Algorithm):
  32     def __init__(self):
  33         BasicObjects.Algorithm.__init__(self)
  34         self._name = "BLUE"
  35         logging.debug("%s Initialisation"%self._name)
  36
  37     def run(self, Xb=None, Y=None, H=None, M=None, R=None, B=None, Q=None, Par=None):
  38         """
  39         Calcul de l'estimateur BLUE (ou Kalman simple, ou Interpolation Optimale)
  40         """
  41         logging.debug("%s Lancement"%self._name)
  42         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("Mo")))
  43         #
  44         Hm = H["Direct"].asMatrix()
  45         Ht = H["Adjoint"].asMatrix()
  46         #
  47         # Utilisation éventuelle d'un vecteur H(Xb) précalculé
  48         # ----------------------------------------------------
  49         if H["AppliedToX"] is not None and H["AppliedToX"].has_key("HXb"):
  50             logging.debug("%s Utilisation de HXb"%self._name)
  51             HXb = H["AppliedToX"]["HXb"]
  52         else:
  53             logging.debug("%s Calcul de Hm * Xb"%self._name)
  54             HXb = Hm * Xb
  55
  56         # Calcul de la matrice de gain dans l'espace le plus petit
  57         if Y.size <= Xb.size:
  58             logging.debug("%s Calcul de K dans l'espace des observations"%self._name)
  59             K  = B * Ht * (Hm * B * Ht + R).I
  60         else:
  61             logging.debug("%s Calcul de K dans l'espace d'ébauche"%self._name)
  62             K = (Ht * R.I * Hm + B.I).I * Ht * R.I
  63         #
  64         # Calcul de l'innovation et de l'analyse
  65         # --------------------------------------
  66         d  = Y - HXb
  67         logging.debug("%s Innovation d = %s"%(self._name, d))
  68         Xa = Xb + K*d
  69         logging.debug("%s Analyse Xa = %s"%(self._name, Xa))
  70         #
  71         self.StoredVariables["Analysis"].store( Xa.A1 )
  72         self.StoredVariables["Innovation"].store( d.A1 )
  73         #
  74         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("MB")))
  75         logging.debug("%s Terminé"%self._name)
  76         #
  77         return 0
  78
  79 # ==============================================================================
  80 if __name__ == "__main__":
  81     print '\n AUTODIAGNOSTIC \n'