src/daComposant/daAlgorithms/KalmanFilter.py

   1 #-*-coding:iso-8859-1-*-
   2 #
   3 # Copyright (C) 2008-2016 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, "KALMANFILTER")
  31         self.defineRequiredParameter(
  32             name     = "EstimationOf",
  33             default  = "State",
  34             typecast = str,
  35             message  = "Estimation d'etat ou de parametres",
  36             listval  = ["State", "Parameters"],
  37             )
  38         self.defineRequiredParameter(
  39             name     = "StoreInternalVariables",
  40             default  = False,
  41             typecast = bool,
  42             message  = "Stockage des variables internes ou intermédiaires du calcul",
  43             )
  44         self.defineRequiredParameter(
  45             name     = "StoreSupplementaryCalculations",
  46             default  = [],
  47             typecast = tuple,
  48             message  = "Liste de calculs supplémentaires à stocker et/ou effectuer",
  49             listval  = ["APosterioriCorrelations", "APosterioriCovariance", "APosterioriStandardDeviations", "APosterioriVariances", "BMA", "CurrentState", "CostFunctionJ", "CostFunctionJb", "CostFunctionJo", "Innovation"]
  50             )
  51
  52     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  53         self._pre_run()
  54         #
  55         # Paramètres de pilotage
  56         # ----------------------
  57         self.setParameters(Parameters)
  58         #
  59         if self._parameters["EstimationOf"] == "Parameters":
  60             self._parameters["StoreInternalVariables"] = True
  61         #
  62         # Opérateurs
  63         # ----------
  64         if B is None:
  65             raise ValueError("Background error covariance matrix has to be properly defined!")
  66         if R is None:
  67             raise ValueError("Observation error covariance matrix has to be properly defined!")
  68         #
  69         Ht = HO["Tangent"].asMatrix(Xb)
  70         Ha = HO["Adjoint"].asMatrix(Xb)
  71         #
  72         if self._parameters["EstimationOf"] == "State":
  73             Mt = EM["Tangent"].asMatrix(Xb)
  74             Ma = EM["Adjoint"].asMatrix(Xb)
  75         #
  76         if CM is not None and CM.has_key("Tangent") and U is not None:
  77             Cm = CM["Tangent"].asMatrix(Xb)
  78         else:
  79             Cm = None
  80         #
  81         # Nombre de pas identique au nombre de pas d'observations
  82         # -------------------------------------------------------
  83         if hasattr(Y,"stepnumber"):
  84             duration = Y.stepnumber()
  85         else:
  86             duration = 2
  87         #
  88         # Précalcul des inversions de B et R
  89         # ----------------------------------
  90         if self._parameters["StoreInternalVariables"]:
  91             BI = B.getI()
  92             RI = R.getI()
  93         #
  94         # Initialisation
  95         # --------------
  96         Xn = Xb
  97         Pn = B
  98         #
  99         self.StoredVariables["Analysis"].store( Xn.A1 )
 100         if "APosterioriCovariance" in self._parameters["StoreSupplementaryCalculations"]:
 101             self.StoredVariables["APosterioriCovariance"].store( Pn.asfullmatrix(Xn.size) )
 102             covarianceXa = Pn
 103         Xa               = Xn
 104         previousJMinimum = numpy.finfo(float).max
 105         #
 106         for step in range(duration-1):
 107             if hasattr(Y,"store"):
 108                 Ynpu = numpy.asmatrix(numpy.ravel( Y[step+1] )).T
 109             else:
 110                 Ynpu = numpy.asmatrix(numpy.ravel( Y )).T
 111             #
 112             if U is not None:
 113                 if hasattr(U,"store") and len(U)>1:
 114                     Un = numpy.asmatrix(numpy.ravel( U[step] )).T
 115                 elif hasattr(U,"store") and len(U)==1:
 116                     Un = numpy.asmatrix(numpy.ravel( U[0] )).T
 117                 else:
 118                     Un = numpy.asmatrix(numpy.ravel( U )).T
 119             else:
 120                 Un = None
 121             #
 122             if self._parameters["EstimationOf"] == "State":
 123                 Xn_predicted = Mt * Xn
 124                 if Cm is not None and Un is not None: # Attention : si Cm est aussi dans M, doublon !
 125                     Cm = Cm.reshape(Xn.size,Un.size) # ADAO & check shape
 126                     Xn_predicted = Xn_predicted + Cm * Un
 127                 Pn_predicted = Q + Mt * Pn * Ma
 128             elif self._parameters["EstimationOf"] == "Parameters":
 129                 # --- > Par principe, M = Id, Q = 0
 130                 Xn_predicted = Xn
 131                 Pn_predicted = Pn
 132             #
 133             if self._parameters["EstimationOf"] == "State":
 134                 d  = Ynpu - Ht * Xn_predicted
 135             elif self._parameters["EstimationOf"] == "Parameters":
 136                 d  = Ynpu - Ht * Xn_predicted
 137                 if Cm is not None and Un is not None: # Attention : si Cm est aussi dans H, doublon !
 138                     d = d - Cm * Un
 139             #
 140             _A = R + Ht * Pn_predicted * Ha
 141             _u = numpy.linalg.solve( _A , d )
 142             Xn = Xn_predicted + Pn_predicted * Ha * _u
 143             Kn = Pn_predicted * Ha * (R + Ht * Pn_predicted * Ha).I
 144             Pn = Pn_predicted - Kn * Ht * Pn_predicted
 145             #
 146             self.StoredVariables["Analysis"].store( Xn.A1 )
 147             if "APosterioriCovariance" in self._parameters["StoreSupplementaryCalculations"]:
 148                 self.StoredVariables["APosterioriCovariance"].store( Pn )
 149             if "Innovation" in self._parameters["StoreSupplementaryCalculations"]:
 150                 self.StoredVariables["Innovation"].store( numpy.ravel( d.A1 ) )
 151             if self._parameters["StoreInternalVariables"]:
 152                 Jb  = 0.5 * (Xn - Xb).T * BI * (Xn - Xb)
 153                 Jo  = 0.5 * d.T * RI * d
 154                 J   = float( Jb ) + float( Jo )
 155                 if self._parameters["StoreInternalVariables"] or "CurrentState" in self._parameters["StoreSupplementaryCalculations"]:
 156                     self.StoredVariables["CurrentState"].store( Xn )
 157                 self.StoredVariables["CostFunctionJb"].store( Jb )
 158                 self.StoredVariables["CostFunctionJo"].store( Jo )
 159                 self.StoredVariables["CostFunctionJ" ].store( J )
 160                 if J < previousJMinimum:
 161                     previousJMinimum  = J
 162                     Xa                = Xn
 163                     if "APosterioriCovariance" in self._parameters["StoreSupplementaryCalculations"]:
 164                         covarianceXa  = Pn
 165             else:
 166                 Xa = Xn
 167             #
 168         #
 169         # Stockage supplementaire de l'optimum en estimation de parametres
 170         # ----------------------------------------------------------------
 171         if self._parameters["EstimationOf"] == "Parameters":
 172             self.StoredVariables["Analysis"].store( Xa.A1 )
 173             if "APosterioriCovariance" in self._parameters["StoreSupplementaryCalculations"]:
 174                 self.StoredVariables["APosterioriCovariance"].store( covarianceXa )
 175         #
 176         if "BMA" in self._parameters["StoreSupplementaryCalculations"]:
 177             self.StoredVariables["BMA"].store( numpy.ravel(Xb) - numpy.ravel(Xa) )
 178         #
 179         self._post_run(HO)
 180         return 0
 181
 182 # ==============================================================================
 183 if __name__ == "__main__":
 184     print '\n AUTODIAGNOSTIC \n'