src/daComposant/daAlgorithms/EnsembleBlue.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 methode d'ensemble simple
  23 """
  24 __author__ = "Sebastien MASSART, Jean-Philippe ARGAUD - Novembre 2008"
  25
  26 import sys ; sys.path.insert(0, "../daCore")
  27 import logging
  28 import numpy
  29 import Persistence
  30 from BasicObjects import Algorithm
  31 import PlatformInfo ; m = PlatformInfo.SystemUsage()
  32
  33 # ==============================================================================
  34 class ElementaryAlgorithm(Algorithm):
  35     def __init__(self):
  36         Algorithm.__init__(self)
  37         self._name = "ENSEMBLEBLUE"
  38         logging.debug("%s Initialisation"%self._name)
  39
  40     def run(self, Xb=None, Y=None, H=None, M=None, R=None, B=None, Q=None, Par=None ):
  41         """
  42         Calcul d'une estimation BLUE d'ensemble :
  43             - génération d'un ensemble d'observations, de même taille que le
  44               nombre d'ébauches
  45             - calcul de l'estimateur BLUE pour chaque membre de l'ensemble
  46         """
  47         logging.debug("%s Lancement"%self._name)
  48         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("Mo")))
  49         #
  50         # Nombre d'ensemble pour l'ébauche
  51         # --------------------------------
  52         nb_ens = Xb.stepnumber()
  53         #
  54         # Construction de l'ensemble des observations, par génération a partir
  55         # de la diagonale de R
  56         # --------------------------------------------------------------------
  57         DiagonaleR = numpy.diag(R)
  58         EnsembleY = numpy.zeros([len(Y),nb_ens])
  59         for npar in range(len(DiagonaleR)) :
  60             bruit = numpy.random.normal(0,DiagonaleR[npar],nb_ens)
  61             EnsembleY[npar,:] = Y[npar] + bruit
  62         EnsembleY = numpy.matrix(EnsembleY)
  63         #
  64         # Initialisation des opérateurs d'observation et de la matrice gain
  65         # -----------------------------------------------------------------
  66         Hm = H["Direct"].asMatrix()
  67         Ht = H["Adjoint"].asMatrix()
  68
  69         K  = B * Ht * (Hm * B * Ht + R).I
  70
  71         # Calcul du BLUE pour chaque membre de l'ensemble
  72         # -----------------------------------------------
  73         for iens in range(nb_ens):
  74             d  = EnsembleY[:,iens] - Hm * Xb.valueserie(iens)
  75             Xa = Xb.valueserie(iens) + K*d
  76
  77             self.StoredVariables["Analysis"].store( Xa.A1 )
  78             self.StoredVariables["Innovation"].store( d.A1 )
  79         #
  80         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("Mo")))
  81         logging.debug("%s Terminé"%self._name)
  82         return 0
  83
  84 # ==============================================================================
  85 if __name__ == "__main__":
  86     print '\n AUTODIAGNOSTIC \n'
  87
  88