src/daComposant/daAlgorithms/ExtendedBlue.py

   1 # -*- coding: utf-8 -*-
   2 #
   3 # Copyright (C) 2008-2018 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, "EXTENDEDBLUE")
  31         self.defineRequiredParameter(
  32             name     = "StoreInternalVariables",
  33             default  = False,
  34             typecast = bool,
  35             message  = "Stockage des variables internes ou intermédiaires du calcul",
  36             )
  37         self.defineRequiredParameter(
  38             name     = "StoreSupplementaryCalculations",
  39             default  = [],
  40             typecast = tuple,
  41             message  = "Liste de calculs supplémentaires à stocker et/ou effectuer",
  42             listval  = [
  43                 "APosterioriCorrelations",
  44                 "APosterioriCovariance",
  45                 "APosterioriStandardDeviations",
  46                 "APosterioriVariances",
  47                 "BMA",
  48                 "OMA",
  49                 "OMB",
  50                 "CurrentState",
  51                 "CostFunctionJ",
  52                 "CostFunctionJb",
  53                 "CostFunctionJo",
  54                 "Innovation",
  55                 "SigmaBck2",
  56                 "SigmaObs2",
  57                 "MahalanobisConsistency",
  58                 "SimulationQuantiles",
  59                 "SimulatedObservationAtBackground",
  60                 "SimulatedObservationAtCurrentState",
  61                 "SimulatedObservationAtOptimum",
  62                 ]
  63             )
  64         self.defineRequiredParameter(
  65             name     = "Quantiles",
  66             default  = [],
  67             typecast = tuple,
  68             message  = "Liste des valeurs de quantiles",
  69             minval   = 0.,
  70             maxval   = 1.,
  71             )
  72         self.defineRequiredParameter(
  73             name     = "SetSeed",
  74             typecast = numpy.random.seed,
  75             message  = "Graine fixée pour le générateur aléatoire",
  76             )
  77         self.defineRequiredParameter(
  78             name     = "NumberOfSamplesForQuantiles",
  79             default  = 100,
  80             typecast = int,
  81             message  = "Nombre d'échantillons simulés pour le calcul des quantiles",
  82             minval   = 1,
  83             )
  84         self.defineRequiredParameter(
  85             name     = "SimulationForQuantiles",
  86             default  = "Linear",
  87             typecast = str,
  88             message  = "Type de simulation pour l'estimation des quantiles",
  89             listval  = ["Linear", "NonLinear"]
  90             )
  91         self.requireInputArguments(
  92             mandatory= ("Xb", "Y", "HO", "R", "B"),
  93             )
  94
  95     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  96         self._pre_run(Parameters, Xb, Y, R, B, Q)
  97         #
  98         Hm = HO["Tangent"].asMatrix(Xb)
  99         Hm = Hm.reshape(Y.size,Xb.size) # ADAO & check shape
 100         Ha = HO["Adjoint"].asMatrix(Xb)
 101         Ha = Ha.reshape(Xb.size,Y.size) # ADAO & check shape
 102         H  = HO["Direct"].appliedTo
 103         #
 104         # Utilisation éventuelle d'un vecteur H(Xb) précalculé
 105         # ----------------------------------------------------
 106         if HO["AppliedInX"] is not None and "HXb" in HO["AppliedInX"]:
 107             HXb = H( Xb, HO["AppliedInX"]["HXb"])
 108         else:
 109             HXb = H( Xb )
 110         HXb = numpy.asmatrix(numpy.ravel( HXb )).T
 111         if Y.size != HXb.size:
 112             raise ValueError("The size %i of observations Y and %i of observed calculation H(X) are different, they have to be identical."%(Y.size,HXb.size))
 113         if max(Y.shape) != max(HXb.shape):
 114             raise ValueError("The shapes %s of observations Y and %s of observed calculation H(X) are different, they have to be identical."%(Y.shape,HXb.shape))
 115         #
 116         # Précalcul des inversions de B et R
 117         # ----------------------------------
 118         BI = B.getI()
 119         RI = R.getI()
 120         #
 121         # Calcul de l'innovation
 122         # ----------------------
 123         d  = Y - HXb
 124         #
 125         # Calcul de la matrice de gain et de l'analyse
 126         # --------------------------------------------
 127         if Y.size <= Xb.size:
 128             _A = R + numpy.dot(Hm, B * Ha)
 129             _u = numpy.linalg.solve( _A , d )
 130             Xa = Xb + B * Ha * _u
 131         else:
 132             _A = BI + numpy.dot(Ha, RI * Hm)
 133             _u = numpy.linalg.solve( _A , numpy.dot(Ha, RI * d) )
 134             Xa = Xb + _u
 135         self.StoredVariables["Analysis"].store( Xa.A1 )
 136         #
 137         # Calcul de la fonction coût
 138         # --------------------------
 139         if self._parameters["StoreInternalVariables"] or \
 140             self._toStore("CostFunctionJ") or \
 141             self._toStore("OMA") or \
 142             self._toStore("SigmaObs2") or \
 143             self._toStore("MahalanobisConsistency") or \
 144             self._toStore("SimulatedObservationAtCurrentState") or \
 145             self._toStore("SimulatedObservationAtOptimum") or \
 146             self._toStore("SimulationQuantiles"):
 147             HXa  = numpy.matrix(numpy.ravel( H( Xa ) )).T
 148             oma = Y - HXa
 149         if self._parameters["StoreInternalVariables"] or \
 150             self._toStore("CostFunctionJ") or \
 151             self._toStore("MahalanobisConsistency"):
 152             Jb  = float( 0.5 * (Xa - Xb).T * BI * (Xa - Xb) )
 153             Jo  = float( 0.5 * oma.T * RI * oma )
 154             J   = Jb + Jo
 155             self.StoredVariables["CostFunctionJb"].store( Jb )
 156             self.StoredVariables["CostFunctionJo"].store( Jo )
 157             self.StoredVariables["CostFunctionJ" ].store( J )
 158         #
 159         # Calcul de la covariance d'analyse
 160         # ---------------------------------
 161         if self._toStore("APosterioriCovariance") or \
 162             self._toStore("SimulationQuantiles"):
 163             if   (Y.size <= Xb.size): K  = B * Ha * (R + numpy.dot(Hm, B * Ha)).I
 164             elif (Y.size >  Xb.size): K = (BI + numpy.dot(Ha, RI * Hm)).I * Ha * RI
 165             A = B - K * Hm * B
 166             if min(A.shape) != max(A.shape):
 167                 raise ValueError("The %s a posteriori covariance matrix A is of shape %s, despites it has to be a squared matrix. There is an error in the observation operator, please check it."%(self._name,str(A.shape)))
 168             if (numpy.diag(A) < 0).any():
 169                 raise ValueError("The %s a posteriori covariance matrix A has at least one negative value on its diagonal. There is an error in the observation operator, please check it."%(self._name,))
 170             if logging.getLogger().level < logging.WARNING: # La verification n'a lieu qu'en debug
 171                 try:
 172                     L = numpy.linalg.cholesky( A )
 173                 except:
 174                     raise ValueError("The %s a posteriori covariance matrix A is not symmetric positive-definite. Please check your a priori covariances and your observation operator."%(self._name,))
 175             self.StoredVariables["APosterioriCovariance"].store( A )
 176         #
 177         # Calculs et/ou stockages supplémentaires
 178         # ---------------------------------------
 179         if self._parameters["StoreInternalVariables"] or self._toStore("CurrentState"):
 180             self.StoredVariables["CurrentState"].store( numpy.ravel(Xa) )
 181         if self._toStore("Innovation"):
 182             self.StoredVariables["Innovation"].store( numpy.ravel(d) )
 183         if self._toStore("BMA"):
 184             self.StoredVariables["BMA"].store( numpy.ravel(Xb) - numpy.ravel(Xa) )
 185         if self._toStore("OMA"):
 186             self.StoredVariables["OMA"].store( numpy.ravel(oma) )
 187         if self._toStore("OMB"):
 188             self.StoredVariables["OMB"].store( numpy.ravel(d) )
 189         if self._toStore("SigmaObs2"):
 190             TraceR = R.trace(Y.size)
 191             self.StoredVariables["SigmaObs2"].store( float( (d.T * (numpy.asmatrix(numpy.ravel(oma)).T)) ) / TraceR )
 192         if self._toStore("SigmaBck2"):
 193             self.StoredVariables["SigmaBck2"].store( float( (d.T * Hm * (Xa - Xb))/(Hm * B * Hm.T).trace() ) )
 194         if self._toStore("MahalanobisConsistency"):
 195             self.StoredVariables["MahalanobisConsistency"].store( float( 2.*J/d.size ) )
 196         if self._toStore("SimulationQuantiles"):
 197             nech = self._parameters["NumberOfSamplesForQuantiles"]
 198             HtM  = HO["Tangent"].asMatrix(ValueForMethodForm = Xa)
 199             HtM  = HtM.reshape(Y.size,Xa.size) # ADAO & check shape
 200             YfQ  = None
 201             for i in range(nech):
 202                 if self._parameters["SimulationForQuantiles"] == "Linear":
 203                     dXr = numpy.matrix(numpy.random.multivariate_normal(Xa.A1,A) - Xa.A1).T
 204                     dYr = numpy.matrix(numpy.ravel( HtM * dXr )).T
 205                     Yr = HXa + dYr
 206                 elif self._parameters["SimulationForQuantiles"] == "NonLinear":
 207                     Xr = numpy.matrix(numpy.random.multivariate_normal(Xa.A1,A)).T
 208                     Yr = numpy.matrix(numpy.ravel( H( Xr ) )).T
 209                 if YfQ is None:
 210                     YfQ = Yr
 211                 else:
 212                     YfQ = numpy.hstack((YfQ,Yr))
 213             YfQ.sort(axis=-1)
 214             YQ = None
 215             for quantile in self._parameters["Quantiles"]:
 216                 if not (0. <= float(quantile) <= 1.): continue
 217                 indice = int(nech * float(quantile) - 1./nech)
 218                 if YQ is None: YQ = YfQ[:,indice]
 219                 else:          YQ = numpy.hstack((YQ,YfQ[:,indice]))
 220             self.StoredVariables["SimulationQuantiles"].store( YQ )
 221         if self._toStore("SimulatedObservationAtBackground"):
 222             self.StoredVariables["SimulatedObservationAtBackground"].store( numpy.ravel(HXb) )
 223         if self._toStore("SimulatedObservationAtCurrentState"):
 224             self.StoredVariables["SimulatedObservationAtCurrentState"].store( numpy.ravel(HXa) )
 225         if self._toStore("SimulatedObservationAtOptimum"):
 226             self.StoredVariables["SimulatedObservationAtOptimum"].store( numpy.ravel(HXa) )
 227         #
 228         self._post_run(HO)
 229         return 0
 230
 231 # ==============================================================================
 232 if __name__ == "__main__":
 233     print('\n AUTODIAGNOSTIC \n')