src/daComposant/daAlgorithms/ExtendedBlue.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, "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  = ["APosterioriCorrelations", "APosterioriCovariance", "APosterioriStandardDeviations", "APosterioriVariances", "BMA", "OMA", "OMB", "CurrentState", "CostFunctionJ", "Innovation", "SigmaBck2", "SigmaObs2", "MahalanobisConsistency", "SimulationQuantiles", "SimulatedObservationAtBackground", "SimulatedObservationAtCurrentState", "SimulatedObservationAtOptimum"]
  43             )
  44         self.defineRequiredParameter(
  45             name     = "Quantiles",
  46             default  = [],
  47             typecast = tuple,
  48             message  = "Liste des valeurs de quantiles",
  49             minval   = 0.,
  50             maxval   = 1.,
  51             )
  52         self.defineRequiredParameter(
  53             name     = "SetSeed",
  54             typecast = numpy.random.seed,
  55             message  = "Graine fixée pour le générateur aléatoire",
  56             )
  57         self.defineRequiredParameter(
  58             name     = "NumberOfSamplesForQuantiles",
  59             default  = 100,
  60             typecast = int,
  61             message  = "Nombre d'échantillons simulés pour le calcul des quantiles",
  62             minval   = 1,
  63             )
  64         self.defineRequiredParameter(
  65             name     = "SimulationForQuantiles",
  66             default  = "Linear",
  67             typecast = str,
  68             message  = "Type de simulation pour l'estimation des quantiles",
  69             listval  = ["Linear", "NonLinear"]
  70             )
  71
  72     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  73         self._pre_run()
  74         #
  75         # Paramètres de pilotage
  76         # ----------------------
  77         self.setParameters(Parameters)
  78         #
  79         # Opérateur d'observation
  80         # -----------------------
  81         Hm = HO["Tangent"].asMatrix(Xb)
  82         Hm = Hm.reshape(Y.size,Xb.size) # ADAO & check shape
  83         Ha = HO["Adjoint"].asMatrix(Xb)
  84         Ha = Ha.reshape(Xb.size,Y.size) # ADAO & check shape
  85         H  = HO["Direct"].appliedTo
  86         #
  87         # Utilisation éventuelle d'un vecteur H(Xb) précalculé
  88         # ----------------------------------------------------
  89         if HO["AppliedToX"] is not None and HO["AppliedToX"].has_key("HXb"):
  90             HXb = HO["AppliedToX"]["HXb"]
  91         else:
  92             HXb = H( Xb )
  93         HXb = numpy.asmatrix(numpy.ravel( HXb )).T
  94         #
  95         # Précalcul des inversions de B et R
  96         # ----------------------------------
  97         BI = B.getI()
  98         RI = R.getI()
  99         #
 100         # Calcul de l'innovation
 101         # ----------------------
 102         if Y.size != HXb.size:
 103             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))
 104         if max(Y.shape) != max(HXb.shape):
 105             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))
 106         d  = Y - HXb
 107         #
 108         # Calcul de la matrice de gain et de l'analyse
 109         # --------------------------------------------
 110         if Y.size <= Xb.size:
 111             if Y.size > 100: # len(R)
 112                 _A = R + Hm * B * Ha
 113                 _u = numpy.linalg.solve( _A , d )
 114                 Xa = Xb + B * Ha * _u
 115             else:
 116                 K  = B * Ha * (R + Hm * B * Ha).I
 117                 Xa = Xb + K*d
 118         else:
 119             if Y.size > 100: # len(R)
 120                 _A = BI + Ha * RI * Hm
 121                 _u = numpy.linalg.solve( _A , Ha * RI * d )
 122                 Xa = Xb + _u
 123             else:
 124                 K = (BI + Ha * RI * Hm).I * Ha * RI
 125                 Xa = Xb + K*d
 126         self.StoredVariables["Analysis"].store( Xa.A1 )
 127         #
 128         # Calcul de la fonction coût
 129         # --------------------------
 130         if self._parameters["StoreInternalVariables"] or \
 131            "CostFunctionJ"                      in self._parameters["StoreSupplementaryCalculations"] or \
 132            "OMA"                                in self._parameters["StoreSupplementaryCalculations"] or \
 133            "SigmaObs2"                          in self._parameters["StoreSupplementaryCalculations"] or \
 134            "MahalanobisConsistency"             in self._parameters["StoreSupplementaryCalculations"] or \
 135            "SimulatedObservationAtCurrentState" in self._parameters["StoreSupplementaryCalculations"] or \
 136            "SimulatedObservationAtOptimum"      in self._parameters["StoreSupplementaryCalculations"] or \
 137            "SimulationQuantiles"                in self._parameters["StoreSupplementaryCalculations"]:
 138             HXa  = numpy.matrix(numpy.ravel( H( Xa ) )).T
 139             oma = Y - HXa
 140         if self._parameters["StoreInternalVariables"] or \
 141            "CostFunctionJ"                 in self._parameters["StoreSupplementaryCalculations"] or \
 142            "MahalanobisConsistency"        in self._parameters["StoreSupplementaryCalculations"]:
 143             Jb  = 0.5 * (Xa - Xb).T * BI * (Xa - Xb)
 144             Jo  = 0.5 * oma.T * RI * oma
 145             J   = float( Jb ) + float( Jo )
 146             self.StoredVariables["CostFunctionJb"].store( Jb )
 147             self.StoredVariables["CostFunctionJo"].store( Jo )
 148             self.StoredVariables["CostFunctionJ" ].store( J )
 149         #
 150         # Calcul de la covariance d'analyse
 151         # ---------------------------------
 152         if "APosterioriCovariance" in self._parameters["StoreSupplementaryCalculations"] or \
 153            "SimulationQuantiles"   in self._parameters["StoreSupplementaryCalculations"]:
 154             if   (Y.size <= Xb.size) and (Y.size > 100): K  = B * Ha * (R + Hm * B * Ha).I
 155             elif (Y.size >  Xb.size) and (Y.size > 100): K = (BI + Ha * RI * Hm).I * Ha * RI
 156             else:                                        pass # K deja calcule
 157             A = B - K * Hm * B
 158             if min(A.shape) != max(A.shape):
 159                 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)))
 160             if (numpy.diag(A) < 0).any():
 161                 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,))
 162             if logging.getLogger().level < logging.WARNING: # La verification n'a lieu qu'en debug
 163                 try:
 164                     L = numpy.linalg.cholesky( A )
 165                 except:
 166                     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,))
 167             self.StoredVariables["APosterioriCovariance"].store( A )
 168         #
 169         # Calculs et/ou stockages supplémentaires
 170         # ---------------------------------------
 171         if self._parameters["StoreInternalVariables"] or "CurrentState" in self._parameters["StoreSupplementaryCalculations"]:
 172             self.StoredVariables["CurrentState"].store( numpy.ravel(Xa) )
 173         if "Innovation" in self._parameters["StoreSupplementaryCalculations"]:
 174             self.StoredVariables["Innovation"].store( numpy.ravel(d) )
 175         if "BMA" in self._parameters["StoreSupplementaryCalculations"]:
 176             self.StoredVariables["BMA"].store( numpy.ravel(Xb) - numpy.ravel(Xa) )
 177         if "OMA" in self._parameters["StoreSupplementaryCalculations"]:
 178             self.StoredVariables["OMA"].store( numpy.ravel(oma) )
 179         if "OMB" in self._parameters["StoreSupplementaryCalculations"]:
 180             self.StoredVariables["OMB"].store( numpy.ravel(d) )
 181         if "SigmaObs2" in self._parameters["StoreSupplementaryCalculations"]:
 182             TraceR = R.trace(Y.size)
 183             self.StoredVariables["SigmaObs2"].store( float( (d.T * (numpy.asmatrix(numpy.ravel(oma)).T)) ) / TraceR )
 184         if "SigmaBck2" in self._parameters["StoreSupplementaryCalculations"]:
 185             self.StoredVariables["SigmaBck2"].store( float( (d.T * Hm * (Xa - Xb))/(Hm * B * Hm.T).trace() ) )
 186         if "MahalanobisConsistency" in self._parameters["StoreSupplementaryCalculations"]:
 187             self.StoredVariables["MahalanobisConsistency"].store( float( 2.*J/d.size ) )
 188         if "SimulationQuantiles" in self._parameters["StoreSupplementaryCalculations"]:
 189             Qtls = map(float, self._parameters["Quantiles"])
 190             nech = self._parameters["NumberOfSamplesForQuantiles"]
 191             HtM  = HO["Tangent"].asMatrix(ValueForMethodForm = Xa)
 192             HtM  = HtM.reshape(Y.size,Xa.size) # ADAO & check shape
 193             YfQ  = None
 194             for i in range(nech):
 195                 if self._parameters["SimulationForQuantiles"] == "Linear":
 196                     dXr = numpy.matrix(numpy.random.multivariate_normal(Xa.A1,A) - Xa.A1).T
 197                     dYr = numpy.matrix(numpy.ravel( HtM * dXr )).T
 198                     Yr = HXa + dYr
 199                 elif self._parameters["SimulationForQuantiles"] == "NonLinear":
 200                     Xr = numpy.matrix(numpy.random.multivariate_normal(Xa.A1,A)).T
 201                     Yr = numpy.matrix(numpy.ravel( H( Xr ) )).T
 202                 if YfQ is None:
 203                     YfQ = Yr
 204                 else:
 205                     YfQ = numpy.hstack((YfQ,Yr))
 206             YfQ.sort(axis=-1)
 207             YQ = None
 208             for quantile in Qtls:
 209                 if not (0. <= quantile <= 1.): continue
 210                 indice = int(nech * quantile - 1./nech)
 211                 if YQ is None: YQ = YfQ[:,indice]
 212                 else:          YQ = numpy.hstack((YQ,YfQ[:,indice]))
 213             self.StoredVariables["SimulationQuantiles"].store( YQ )
 214         if "SimulatedObservationAtBackground" in self._parameters["StoreSupplementaryCalculations"]:
 215             self.StoredVariables["SimulatedObservationAtBackground"].store( numpy.ravel(HXb) )
 216         if "SimulatedObservationAtCurrentState" in self._parameters["StoreSupplementaryCalculations"]:
 217             self.StoredVariables["SimulatedObservationAtCurrentState"].store( numpy.ravel(HXa) )
 218         if "SimulatedObservationAtOptimum" in self._parameters["StoreSupplementaryCalculations"]:
 219             self.StoredVariables["SimulatedObservationAtOptimum"].store( numpy.ravel(HXa) )
 220         #
 221         self._post_run(HO)
 222         return 0
 223
 224 # ==============================================================================
 225 if __name__ == "__main__":
 226     print '\n AUTODIAGNOSTIC \n'