1 #-*-coding:iso-8859-1-*-
3 # Copyright (C) 2008-2012 EDF R&D
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.
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.
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
19 # See http://www.salome-platform.org/ or email : webmaster.salome@opencascade.com
23 from daCore import BasicObjects, PlatformInfo
24 m = PlatformInfo.SystemUsage()
28 # ==============================================================================
29 class ElementaryAlgorithm(BasicObjects.Algorithm):
31 BasicObjects.Algorithm.__init__(self, "ENSEMBLEBLUE")
32 self.defineRequiredParameter(
34 typecast = numpy.random.seed,
35 message = "Graine fixée pour le générateur aléatoire",
38 def run(self, Xb=None, Y=None, H=None, M=None, R=None, B=None, Q=None, Parameters=None ):
40 Calcul d'une estimation BLUE d'ensemble :
41 - génération d'un ensemble d'observations, de même taille que le
43 - calcul de l'estimateur BLUE pour chaque membre de l'ensemble
45 logging.debug("%s Lancement"%self._name)
46 logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("Mo")))
48 # Paramètres de pilotage
49 # ----------------------
50 self.setParameters(Parameters)
52 # Précalcul des inversions de B et R
53 # ----------------------------------
56 elif self._parameters["B_scalar"] is not None:
57 BI = 1.0 / self._parameters["B_scalar"]
58 B = self._parameters["B_scalar"]
60 raise ValueError("Background error covariance matrix has to be properly defined!")
64 elif self._parameters["R_scalar"] is not None:
65 RI = 1.0 / self._parameters["R_scalar"]
67 raise ValueError("Observation error covariance matrix has to be properly defined!")
69 # Nombre d'ensemble pour l'ébauche
70 # --------------------------------
71 nb_ens = Xb.stepnumber()
73 # Construction de l'ensemble des observations, par génération a partir
74 # de la diagonale de R
75 # --------------------------------------------------------------------
76 DiagonaleR = numpy.diag(R)
77 EnsembleY = numpy.zeros([len(Y),nb_ens])
78 for npar in range(len(DiagonaleR)) :
79 bruit = numpy.random.normal(0,DiagonaleR[npar],nb_ens)
80 EnsembleY[npar,:] = Y[npar] + bruit
81 EnsembleY = numpy.matrix(EnsembleY)
83 # Initialisation des opérateurs d'observation et de la matrice gain
84 # -----------------------------------------------------------------
85 Hm = H["Tangent"].asMatrix(None)
86 Ha = H["Adjoint"].asMatrix(None)
88 # Calcul de la matrice de gain dans l'espace le plus petit et de l'analyse
89 # ------------------------------------------------------------------------
90 if Y.size <= Xb.valueserie(0).size:
91 if self._parameters["R_scalar"] is not None:
92 R = self._parameters["R_scalar"] * numpy.eye(len(Y), dtype=numpy.float)
93 logging.debug("%s Calcul de K dans l'espace des observations"%self._name)
94 K = B * Ha * (Hm * B * Ha + R).I
96 logging.debug("%s Calcul de K dans l'espace d'ébauche"%self._name)
97 K = (Ha * RI * Hm + BI).I * Ha * RI
99 # Calcul du BLUE pour chaque membre de l'ensemble
100 # -----------------------------------------------
101 for iens in range(nb_ens):
102 d = EnsembleY[:,iens] - Hm * Xb.valueserie(iens)
103 Xa = Xb.valueserie(iens) + K*d
105 self.StoredVariables["CurrentState"].store( Xa.A1 )
106 self.StoredVariables["Innovation"].store( d.A1 )
108 # Fabrication de l'analyse
109 # ------------------------
110 Members = self.StoredVariables["CurrentState"].valueserie()[-nb_ens:]
111 Xa = numpy.matrix( Members ).mean(axis=0)
112 self.StoredVariables["Analysis"].store( Xa.A1 )
114 logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("Mo")))
115 logging.debug("%s Terminé"%self._name)
118 # ==============================================================================
119 if __name__ == "__main__":
120 print '\n AUTODIAGNOSTIC \n'