src/daComposant/daAlgorithms/LinearLeastSquares.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 # ==============================================================================
  27 class ElementaryAlgorithm(BasicObjects.Algorithm):
  28     def __init__(self):
  29         BasicObjects.Algorithm.__init__(self)
  30         self._name = "LINEARLEASTSQUARES"
  31
  32     def run(self, Xb=None, Y=None, H=None, M=None, R=None, B=None, Q=None, Parameters=None):
  33         """
  34         Calcul de l'estimateur moindres carrés pondérés linéaires
  35         (assimilation variationnelle sans ébauche)
  36         """
  37         logging.debug("%s Lancement"%self._name)
  38         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("Mo")))
  39         #
  40         Hm = H["Direct"].asMatrix()
  41         Ht = H["Adjoint"].asMatrix()
  42         #
  43         if R is not None:
  44             RI = R.I
  45         elif Parameters["R_scalar"] is not None:
  46             RI = 1.0 / Parameters["R_scalar"]
  47         #
  48         K =  (Ht * RI * Hm ).I * Ht * RI
  49         Xa =  K * Y
  50         logging.debug("%s Analyse Xa = %s"%(self._name, Xa))
  51         #
  52         # Calcul de la fonction coût
  53         # --------------------------
  54         d  = Y - Hm * Xa
  55         Jb  = 0.
  56         Jo  = 0.5 * d.T * RI * d
  57         J   = float( Jb ) + float( Jo )
  58         logging.debug("%s CostFunction Jb = %s"%(self._name, Jb))
  59         logging.debug("%s CostFunction Jo = %s"%(self._name, Jo))
  60         logging.debug("%s CostFunction J  = %s"%(self._name, J))
  61         #
  62         self.StoredVariables["Analysis"].store( Xa.A1 )
  63         self.StoredVariables["Innovation"].store( d.A1 )
  64         self.StoredVariables["CostFunctionJb"].store( Jb )
  65         self.StoredVariables["CostFunctionJo"].store( Jo )
  66         self.StoredVariables["CostFunctionJ" ].store( J )
  67         #
  68         logging.debug("%s Taille mémoire utilisée de %.1f Mo"%(self._name, m.getUsedMemory("Mo")))
  69         logging.debug("%s Terminé"%self._name)
  70         #
  71         return 0
  72
  73 # ==============================================================================
  74 if __name__ == "__main__":
  75     print '\n AUTODIAGNOSTIC \n'