src/daComposant/daAlgorithms/Blue.py

   1 #-*-coding:iso-8859-1-*-
   2 #
   3 #  Copyright (C) 2008-2013 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 #  Author: Jean-Philippe Argaud, jean-philippe.argaud@edf.fr, EDF R&D
  22
  23 import logging
  24 from daCore import BasicObjects, PlatformInfo
  25 m = PlatformInfo.SystemUsage()
  26
  27 import numpy
  28
  29 # ==============================================================================
  30 class ElementaryAlgorithm(BasicObjects.Algorithm):
  31     def __init__(self):
  32         BasicObjects.Algorithm.__init__(self, "BLUE")
  33         self.defineRequiredParameter(
  34             name     = "StoreInternalVariables",
  35             default  = False,
  36             typecast = bool,
  37             message  = "Stockage des variables internes ou intermédiaires du calcul",
  38             )
  39         self.defineRequiredParameter(
  40             name     = "StoreSupplementaryCalculations",
  41             default  = [],
  42             typecast = tuple,
  43             message  = "Liste de calculs supplémentaires à stocker et/ou effectuer",
  44             listval  = ["APosterioriCovariance", "BMA", "OMA", "OMB", "Innovation", "SigmaBck2", "SigmaObs2", "MahalanobisConsistency"]
  45             )
  46
  47     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  48         logging.debug("%s Lancement"%self._name)
  49         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("M")))
  50         #
  51         # Paramètres de pilotage
  52         # ----------------------
  53         self.setParameters(Parameters)
  54         #
  55         # Opérateur d'observation
  56         # -----------------------
  57         Hm = HO["Tangent"].asMatrix(Xb)
  58         Hm = Hm.reshape(Y.size,Xb.size) # ADAO & check shape
  59         Ha = HO["Adjoint"].asMatrix(Xb)
  60         Ha = Ha.reshape(Xb.size,Y.size) # ADAO & check shape
  61         #
  62         # Utilisation éventuelle d'un vecteur H(Xb) précalculé
  63         # ----------------------------------------------------
  64         if HO["AppliedToX"] is not None and HO["AppliedToX"].has_key("HXb"):
  65             HXb = HO["AppliedToX"]["HXb"]
  66         else:
  67             HXb = Hm * Xb
  68         HXb = numpy.asmatrix(numpy.ravel( HXb )).T
  69         #
  70         # Précalcul des inversions de B et R
  71         # ----------------------------------
  72         if B is not None:
  73             BI = B.I
  74         elif self._parameters["B_scalar"] is not None:
  75             BI = 1.0 / self._parameters["B_scalar"]
  76             B = self._parameters["B_scalar"]
  77         else:
  78             raise ValueError("Background error covariance matrix has to be properly defined!")
  79         #
  80         if R is not None:
  81             RI = R.I
  82         elif self._parameters["R_scalar"] is not None:
  83             RI = 1.0 / self._parameters["R_scalar"]
  84         else:
  85             raise ValueError("Observation error covariance matrix has to be properly defined!")
  86         #
  87         # Calcul de l'innovation
  88         # ----------------------
  89         if Y.size != HXb.size:
  90             raise ValueError("The size %i of observations Y and %i of observed calculation H(X) are different, they have to be identical."%(Y.size,HXb.size))
  91         if max(Y.shape) != max(HXb.shape):
  92             raise ValueError("The shapes %s of observations Y and %s of observed calculation H(X) are different, they have to be identical."%(Y.shape,HXb.shape))
  93         d  = Y - HXb
  94         #
  95         # Calcul de la matrice de gain et de l'analyse
  96         # --------------------------------------------
  97         if Y.size <= Xb.size:
  98             if self._parameters["R_scalar"] is not None:
  99                 R = self._parameters["R_scalar"] * numpy.eye(Y.size, dtype=numpy.float)
 100             if Y.size > 100: # len(R)
 101                 _A = Hm * B * Ha + R
 102                 _u = numpy.linalg.solve( _A , d )
 103                 Xa = Xb + B * Ha * _u
 104             else:
 105                 K  = B * Ha * (Hm * B * Ha + R).I
 106                 Xa = Xb + K*d
 107         else:
 108             if Y.size > 100: # len(R)
 109                 _A = Ha * RI * Hm + BI
 110                 _u = numpy.linalg.solve( _A , Ha * RI * d )
 111                 Xa = Xb + _u
 112             else:
 113                 K = (Ha * RI * Hm + BI).I * Ha * RI
 114                 Xa = Xb + K*d
 115         self.StoredVariables["Analysis"].store( Xa.A1 )
 116         #
 117         # Calcul de la fonction coût
 118         # --------------------------
 119         if self._parameters["StoreInternalVariables"] or "OMA" in self._parameters["StoreSupplementaryCalculations"] or "SigmaObs2" in self._parameters["StoreSupplementaryCalculations"] or "MahalanobisConsistency" in self._parameters["StoreSupplementaryCalculations"]:
 120             oma = Y - Hm * Xa
 121         if self._parameters["StoreInternalVariables"] or "MahalanobisConsistency" in self._parameters["StoreSupplementaryCalculations"]:
 122             Jb  = 0.5 * (Xa - Xb).T * BI * (Xa - Xb)
 123             Jo  = 0.5 * oma.T * RI * oma
 124             J   = float( Jb ) + float( Jo )
 125             self.StoredVariables["CostFunctionJb"].store( Jb )
 126             self.StoredVariables["CostFunctionJo"].store( Jo )
 127             self.StoredVariables["CostFunctionJ" ].store( J )
 128         #
 129         # Calcul de la covariance d'analyse
 130         # ---------------------------------
 131         if "APosterioriCovariance" in self._parameters["StoreSupplementaryCalculations"]:
 132             A = B - K * Hm * B
 133             if min(A.shape) != max(A.shape):
 134                 raise ValueError("The %s a posteriori covariance matrix A is of shape %s, despites it has to be a squared matrix. There is an error in the observation operator, please check it."%(self._name,str(A.shape)))
 135             if (numpy.diag(A) < 0).any():
 136                 raise ValueError("The %s a posteriori covariance matrix A has at least one negative value on its diagonal. There is an error in the observation operator, please check it."%(self._name,))
 137             if logging.getLogger().level < logging.WARNING: # La verification n'a lieu qu'en debug
 138                 try:
 139                     L = numpy.linalg.cholesky( A )
 140                 except:
 141                     raise ValueError("The %s a posteriori covariance matrix A is not symmetric positive-definite. Please check your a priori covariances and your observation operator."%(self._name,))
 142             self.StoredVariables["APosterioriCovariance"].store( A )
 143         #
 144         # Calculs et/ou stockages supplémentaires
 145         # ---------------------------------------
 146         if "Innovation" in self._parameters["StoreSupplementaryCalculations"]:
 147             self.StoredVariables["Innovation"].store( numpy.ravel(d) )
 148         if "BMA" in self._parameters["StoreSupplementaryCalculations"]:
 149             self.StoredVariables["BMA"].store( numpy.ravel(Xb) - numpy.ravel(Xa) )
 150         if "OMA" in self._parameters["StoreSupplementaryCalculations"]:
 151             self.StoredVariables["OMA"].store( numpy.ravel(oma) )
 152         if "OMB" in self._parameters["StoreSupplementaryCalculations"]:
 153             self.StoredVariables["OMB"].store( numpy.ravel(d) )
 154         if "SigmaObs2" in self._parameters["StoreSupplementaryCalculations"]:
 155             if R is not None:
 156                 TraceR = R.trace()
 157             elif self._parameters["R_scalar"] is not None:
 158                 TraceR =  float(self._parameters["R_scalar"]*Y.size)
 159             self.StoredVariables["SigmaObs2"].store( float( (d.T * (numpy.asmatrix(numpy.ravel(oma)).T)) ) / TraceR )
 160         if "SigmaBck2" in self._parameters["StoreSupplementaryCalculations"]:
 161             self.StoredVariables["SigmaBck2"].store( float( (d.T * Hm * (Xa - Xb))/(Hm * B * Hm.T).trace() ) )
 162         if "MahalanobisConsistency" in self._parameters["StoreSupplementaryCalculations"]:
 163             self.StoredVariables["MahalanobisConsistency"].store( float( 2.*J/d.size ) )
 164         #
 165         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("M")))
 166         logging.debug("%s Terminé"%self._name)
 167         #
 168         return 0
 169
 170 # ==============================================================================
 171 if __name__ == "__main__":
 172     print '\n AUTODIAGNOSTIC \n'