src/daComposant/daAlgorithms/EnsembleBlue.py

   1 #-*-coding:iso-8859-1-*-
   2 #
   3 #  Copyright (C) 2008-2015 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
  25 import numpy
  26
  27 # ==============================================================================
  28 class ElementaryAlgorithm(BasicObjects.Algorithm):
  29     def __init__(self):
  30         BasicObjects.Algorithm.__init__(self, "ENSEMBLEBLUE")
  31         self.defineRequiredParameter(
  32             name     = "SetSeed",
  33             typecast = numpy.random.seed,
  34             message  = "Graine fixée pour le générateur aléatoire",
  35             )
  36
  37     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  38         self._pre_run()
  39         #
  40         # Paramètres de pilotage
  41         # ----------------------
  42         self.setParameters(Parameters)
  43         #
  44         # Précalcul des inversions de B et R
  45         # ----------------------------------
  46         BI = B.getI()
  47         RI = R.getI()
  48         #
  49         # Nombre d'ensemble pour l'ébauche
  50         # --------------------------------
  51         nb_ens = Xb.stepnumber()
  52         #
  53         # Construction de l'ensemble des observations, par génération a partir
  54         # de la diagonale de R
  55         # --------------------------------------------------------------------
  56         DiagonaleR = R.diag(Y.size)
  57         EnsembleY = numpy.zeros([Y.size,nb_ens])
  58         for npar in range(DiagonaleR.size):
  59             bruit = numpy.random.normal(0,DiagonaleR[npar],nb_ens)
  60             EnsembleY[npar,:] = Y[npar] + bruit
  61         EnsembleY = numpy.matrix(EnsembleY)
  62         #
  63         # Initialisation des opérateurs d'observation et de la matrice gain
  64         # -----------------------------------------------------------------
  65         Hm = HO["Tangent"].asMatrix(None)
  66         Hm = Hm.reshape(Y.size,Xb[0].size) # ADAO & check shape
  67         Ha = HO["Adjoint"].asMatrix(None)
  68         Ha = Ha.reshape(Xb[0].size,Y.size) # ADAO & check shape
  69         #
  70         # Calcul de la matrice de gain dans l'espace le plus petit et de l'analyse
  71         # ------------------------------------------------------------------------
  72         if Y.size <= Xb[0].size:
  73             K  = B * Ha * (R + Hm * B * Ha).I
  74         else:
  75             K = (BI + Ha * RI * Hm).I * Ha * RI
  76         #
  77         # Calcul du BLUE pour chaque membre de l'ensemble
  78         # -----------------------------------------------
  79         for iens in range(nb_ens):
  80             d  = EnsembleY[:,iens] - Hm * Xb[iens]
  81             Xa = Xb[iens] + K*d
  82             self.StoredVariables["CurrentState"].store( Xa )
  83             self.StoredVariables["Innovation"].store( d.A1 )
  84         #
  85         # Fabrication de l'analyse
  86         # ------------------------
  87         Members = self.StoredVariables["CurrentState"][-nb_ens:]
  88         Xa = numpy.matrix( Members ).mean(axis=0)
  89         self.StoredVariables["Analysis"].store( Xa.A1 )
  90         #
  91         self._post_run(HO)
  92         return 0
  93
  94 # ==============================================================================
  95 if __name__ == "__main__":
  96     print '\n AUTODIAGNOSTIC \n'