src/daComposant/daAlgorithms/Blue.py

   1 #-*-coding:iso-8859-1-*-
   2 #
   3 #  Copyright (C) 2008-2011  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
  22 import logging
  23 from daCore import BasicObjects, PlatformInfo
  24 m = PlatformInfo.SystemUsage()
  25
  26 import numpy
  27
  28 # ==============================================================================
  29 class ElementaryAlgorithm(BasicObjects.Algorithm):
  30     def __init__(self):
  31         BasicObjects.Algorithm.__init__(self)
  32         self._name = "BLUE"
  33         logging.debug("%s Initialisation"%self._name)
  34
  35     def run(self, Xb=None, Y=None, H=None, M=None, R=None, B=None, Q=None, Parameters=None):
  36         """
  37         Calcul de l'estimateur BLUE (ou Kalman simple, ou Interpolation Optimale)
  38         """
  39         logging.debug("%s Lancement"%self._name)
  40         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("Mo")))
  41         #
  42         Hm = H["Direct"].asMatrix()
  43         Ht = H["Adjoint"].asMatrix()
  44         #
  45         # Utilisation éventuelle d'un vecteur H(Xb) précalculé
  46         # ----------------------------------------------------
  47         if H["AppliedToX"] is not None and H["AppliedToX"].has_key("HXb"):
  48             logging.debug("%s Utilisation de HXb"%self._name)
  49             HXb = H["AppliedToX"]["HXb"]
  50         else:
  51             logging.debug("%s Calcul de Hm * Xb"%self._name)
  52             HXb = Hm * Xb
  53         HXb = numpy.asmatrix(HXb).flatten().T
  54         #
  55         # Précalcul des inversions de B et R
  56         # ----------------------------------
  57         if B is not None:
  58             BI = B.I
  59         elif Parameters["B_scalar"] is not None:
  60             BI = 1.0 / Parameters["B_scalar"]
  61             B = Parameters["B_scalar"]
  62         if R is not None:
  63             RI = R.I
  64         elif Parameters["R_scalar"] is not None:
  65             RI = 1.0 / Parameters["R_scalar"]
  66             R = Parameters["R_scalar"]
  67         #
  68         # Calcul de l'innovation
  69         # ----------------------
  70         if Y.size != HXb.size:
  71             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))
  72         if max(Y.shape) != max(HXb.shape):
  73             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))
  74         d  = Y - HXb
  75         logging.debug("%s Innovation d = %s"%(self._name, d))
  76         #
  77         # Calcul de la matrice de gain dans l'espace le plus petit et de l'analyse
  78         # ------------------------------------------------------------------------
  79         if Y.size <= Xb.size:
  80             logging.debug("%s Calcul de K dans l'espace des observations"%self._name)
  81             K  = B * Ht * (Hm * B * Ht + R).I
  82         else:
  83             logging.debug("%s Calcul de K dans l'espace d'ébauche"%self._name)
  84             K = (Ht * RI * Hm + BI).I * Ht * RI
  85         Xa = Xb + K*d
  86         logging.debug("%s Analyse Xa = %s"%(self._name, Xa))
  87         #
  88         # Calcul de la fonction coût
  89         # --------------------------
  90         Jb  = 0.5 * (Xa - Xb).T * BI * (Xa - Xb)
  91         Jo  = 0.5 * d.T * RI * d
  92         J   = float( Jb ) + float( Jo )
  93         logging.debug("%s CostFunction Jb = %s"%(self._name, Jb))
  94         logging.debug("%s CostFunction Jo = %s"%(self._name, Jo))
  95         logging.debug("%s CostFunction J  = %s"%(self._name, J))
  96         #
  97         self.StoredVariables["Analysis"].store( Xa.A1 )
  98         self.StoredVariables["Innovation"].store( d.A1 )
  99         self.StoredVariables["CostFunctionJb"].store( Jb )
 100         self.StoredVariables["CostFunctionJo"].store( Jo )
 101         self.StoredVariables["CostFunctionJ" ].store( J )
 102         #
 103         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("MB")))
 104         logging.debug("%s Terminé"%self._name)
 105         #
 106         return 0
 107
 108 # ==============================================================================
 109 if __name__ == "__main__":
 110     print '\n AUTODIAGNOSTIC \n'