src/daComposant/daAlgorithms/EnsembleBlue.py

   1 #-*-coding:iso-8859-1-*-
   2 #
   3 #  Copyright (C) 2008-2012 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, "ENSEMBLEBLUE")
  32         self.defineRequiredParameter(
  33             name     = "SetSeed",
  34             typecast = numpy.random.seed,
  35             message  = "Graine fixée pour le générateur aléatoire",
  36             )
  37
  38     def run(self, Xb=None, Y=None, H=None, M=None, R=None, B=None, Q=None, Parameters=None ):
  39         """
  40         Calcul d'une estimation BLUE d'ensemble :
  41             - génération d'un ensemble d'observations, de même taille que le
  42               nombre d'ébauches
  43             - calcul de l'estimateur BLUE pour chaque membre de l'ensemble
  44         """
  45         logging.debug("%s Lancement"%self._name)
  46         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("Mo")))
  47         #
  48         # Paramètres de pilotage
  49         # ----------------------
  50         self.setParameters(Parameters)
  51         #
  52         # Précalcul des inversions de B et R
  53         # ----------------------------------
  54         if B is not None:
  55             BI = B.I
  56         elif self._parameters["B_scalar"] is not None:
  57             BI = 1.0 / self._parameters["B_scalar"]
  58             B = self._parameters["B_scalar"]
  59         else:
  60             raise ValueError("Background error covariance matrix has to be properly defined!")
  61         #
  62         if R is not None:
  63             RI = R.I
  64         elif self._parameters["R_scalar"] is not None:
  65             RI = 1.0 / self._parameters["R_scalar"]
  66         else:
  67             raise ValueError("Observation error covariance matrix has to be properly defined!")
  68         #
  69         # Nombre d'ensemble pour l'ébauche
  70         # --------------------------------
  71         nb_ens = Xb.stepnumber()
  72         #
  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)
  82         #
  83         # Initialisation des opérateurs d'observation et de la matrice gain
  84         # -----------------------------------------------------------------
  85         Hm = H["Tangent"].asMatrix(None)
  86         Ha = H["Adjoint"].asMatrix(None)
  87         #
  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
  95         else:
  96             logging.debug("%s Calcul de K dans l'espace d'ébauche"%self._name)
  97             K = (Ha * RI * Hm + BI).I * Ha * RI
  98         #
  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
 104
 105             self.StoredVariables["CurrentState"].store( Xa.A1 )
 106             self.StoredVariables["Innovation"].store( d.A1 )
 107         #
 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 )
 113         #
 114         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("Mo")))
 115         logging.debug("%s Terminé"%self._name)
 116         return 0
 117
 118 # ==============================================================================
 119 if __name__ == "__main__":
 120     print '\n AUTODIAGNOSTIC \n'