src/daComposant/daAlgorithms/EnsembleBlue.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, "ENSEMBLEBLUE")
  33         self.defineRequiredParameter(
  34             name     = "SetSeed",
  35             typecast = numpy.random.seed,
  36             message  = "Graine fixée pour le générateur aléatoire",
  37             )
  38
  39     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  40         logging.debug("%s Lancement"%self._name)
  41         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("M")))
  42         #
  43         # Paramètres de pilotage
  44         # ----------------------
  45         self.setParameters(Parameters)
  46         #
  47         # Précalcul des inversions de B et R
  48         # ----------------------------------
  49         if B is not None:
  50             BI = B.I
  51         elif self._parameters["B_scalar"] is not None:
  52             BI = 1.0 / self._parameters["B_scalar"]
  53             B = self._parameters["B_scalar"]
  54         else:
  55             raise ValueError("Background error covariance matrix has to be properly defined!")
  56         #
  57         if R is not None:
  58             RI = R.I
  59         elif self._parameters["R_scalar"] is not None:
  60             RI = 1.0 / self._parameters["R_scalar"]
  61         else:
  62             raise ValueError("Observation error covariance matrix has to be properly defined!")
  63         #
  64         # Nombre d'ensemble pour l'ébauche
  65         # --------------------------------
  66         nb_ens = Xb.stepnumber()
  67         #
  68         # Construction de l'ensemble des observations, par génération a partir
  69         # de la diagonale de R
  70         # --------------------------------------------------------------------
  71         DiagonaleR = numpy.diag(R)
  72         EnsembleY = numpy.zeros([Y.size,nb_ens])
  73         for npar in range(DiagonaleR.size) :
  74             bruit = numpy.random.normal(0,DiagonaleR[npar],nb_ens)
  75             EnsembleY[npar,:] = Y[npar] + bruit
  76         EnsembleY = numpy.matrix(EnsembleY)
  77         #
  78         # Initialisation des opérateurs d'observation et de la matrice gain
  79         # -----------------------------------------------------------------
  80         Hm = HO["Tangent"].asMatrix(None)
  81         Hm = Hm.reshape(Y.size,Xb[0].size) # ADAO & check shape
  82         Ha = HO["Adjoint"].asMatrix(None)
  83         Ha = Ha.reshape(Xb[0].size,Y.size) # ADAO & check shape
  84         #
  85         # Calcul de la matrice de gain dans l'espace le plus petit et de l'analyse
  86         # ------------------------------------------------------------------------
  87         if Y.size <= Xb[0].size:
  88             if self._parameters["R_scalar"] is not None:
  89                 R = self._parameters["R_scalar"] * numpy.eye(Y.size, dtype=numpy.float)
  90             K  = B * Ha * (Hm * B * Ha + R).I
  91         else:
  92             K = (Ha * RI * Hm + BI).I * Ha * RI
  93         #
  94         # Calcul du BLUE pour chaque membre de l'ensemble
  95         # -----------------------------------------------
  96         for iens in range(nb_ens):
  97             d  = EnsembleY[:,iens] - Hm * Xb[iens]
  98             Xa = Xb[iens] + K*d
  99
 100             self.StoredVariables["CurrentState"].store( Xa.A1 )
 101             self.StoredVariables["Innovation"].store( d.A1 )
 102         #
 103         # Fabrication de l'analyse
 104         # ------------------------
 105         Members = self.StoredVariables["CurrentState"][-nb_ens:]
 106         Xa = numpy.matrix( Members ).mean(axis=0)
 107         self.StoredVariables["Analysis"].store( Xa.A1 )
 108         #
 109         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("M")))
 110         logging.debug("%s Terminé"%self._name)
 111         return 0
 112
 113 # ==============================================================================
 114 if __name__ == "__main__":
 115     print '\n AUTODIAGNOSTIC \n'