src/daComposant/daAlgorithms/EnsembleBlue.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 = "ENSEMBLEBLUE"
  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 d'une estimation BLUE d'ensemble :
  38             - génération d'un ensemble d'observations, de même taille que le
  39               nombre d'ébauches
  40             - calcul de l'estimateur BLUE pour chaque membre de l'ensemble
  41         """
  42         logging.debug("%s Lancement"%self._name)
  43         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("Mo")))
  44         #
  45         # Nombre d'ensemble pour l'ébauche
  46         # --------------------------------
  47         nb_ens = Xb.stepnumber()
  48         #
  49         # Construction de l'ensemble des observations, par génération a partir
  50         # de la diagonale de R
  51         # --------------------------------------------------------------------
  52         DiagonaleR = numpy.diag(R)
  53         EnsembleY = numpy.zeros([len(Y),nb_ens])
  54         for npar in range(len(DiagonaleR)) :
  55             bruit = numpy.random.normal(0,DiagonaleR[npar],nb_ens)
  56             EnsembleY[npar,:] = Y[npar] + bruit
  57         EnsembleY = numpy.matrix(EnsembleY)
  58         #
  59         # Initialisation des opérateurs d'observation et de la matrice gain
  60         # -----------------------------------------------------------------
  61         Hm = H["Direct"].asMatrix()
  62         Ht = H["Adjoint"].asMatrix()
  63
  64         K  = B * Ht * (Hm * B * Ht + R).I
  65
  66         # Calcul du BLUE pour chaque membre de l'ensemble
  67         # -----------------------------------------------
  68         for iens in range(nb_ens):
  69             d  = EnsembleY[:,iens] - Hm * Xb.valueserie(iens)
  70             Xa = Xb.valueserie(iens) + K*d
  71
  72             self.StoredVariables["Analysis"].store( Xa.A1 )
  73             self.StoredVariables["Innovation"].store( d.A1 )
  74         #
  75         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("Mo")))
  76         logging.debug("%s Terminé"%self._name)
  77         return 0
  78
  79 # ==============================================================================
  80 if __name__ == "__main__":
  81     print '\n AUTODIAGNOSTIC \n'
  82
  83