src/daComposant/daAlgorithms/QuantileRegression.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, "QUANTILEREGRESSION")
  31         self.defineRequiredParameter(
  32             name     = "Quantile",
  33             default  = 0.5,
  34             typecast = float,
  35             message  = "Quantile pour la regression de quantile",
  36             minval   = 0.,
  37             maxval   = 1.,
  38             )
  39         self.defineRequiredParameter(
  40             name     = "Minimizer",
  41             default  = "MMQR",
  42             typecast = str,
  43             message  = "Minimiseur utilisé",
  44             listval  = ["MMQR"],
  45             )
  46         self.defineRequiredParameter(
  47             name     = "MaximumNumberOfSteps",
  48             default  = 15000,
  49             typecast = int,
  50             message  = "Nombre maximal de pas d'optimisation",
  51             minval   = 1,
  52             )
  53         self.defineRequiredParameter(
  54             name     = "CostDecrementTolerance",
  55             default  = 1.e-6,
  56             typecast = float,
  57             message  = "Maximum de variation de la fonction d'estimation lors de l'arrêt",
  58             )
  59         self.defineRequiredParameter(
  60             name     = "StoreInternalVariables",
  61             default  = False,
  62             typecast = bool,
  63             message  = "Stockage des variables internes ou intermédiaires du calcul",
  64             )
  65         self.defineRequiredParameter(
  66             name     = "StoreSupplementaryCalculations",
  67             default  = [],
  68             typecast = tuple,
  69             message  = "Liste de calculs supplémentaires à stocker et/ou effectuer",
  70             listval  = ["BMA", "OMA", "OMB", "Innovation", "SimulatedObservationAtBackground", "SimulatedObservationAtOptimum"]
  71             )
  72
  73     def run(self, Xb=None, Y=None, U=None, HO=None, EM=None, CM=None, R=None, B=None, Q=None, Parameters=None):
  74         self._pre_run()
  75         #
  76         # Paramètres de pilotage
  77         # ----------------------
  78         self.setParameters(Parameters)
  79         #
  80         if self._parameters.has_key("Bounds") and (type(self._parameters["Bounds"]) is type([]) or type(self._parameters["Bounds"]) is type(())) and (len(self._parameters["Bounds"]) > 0):
  81             Bounds = self._parameters["Bounds"]
  82             logging.debug("%s Prise en compte des bornes effectuee"%(self._name,))
  83         else:
  84             Bounds = None
  85         #
  86         # Opérateur d'observation
  87         # -----------------------
  88         Hm = HO["Direct"].appliedTo
  89         #
  90         # Utilisation éventuelle d'un vecteur H(Xb) précalculé
  91         # ----------------------------------------------------
  92         if HO["AppliedToX"] is not None and HO["AppliedToX"].has_key("HXb"):
  93             HXb = HO["AppliedToX"]["HXb"]
  94         else:
  95             HXb = Hm( Xb )
  96         HXb = numpy.asmatrix(numpy.ravel( HXb )).T
  97         #
  98         # Calcul de l'innovation
  99         # ----------------------
 100         if Y.size != HXb.size:
 101             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))
 102         if max(Y.shape) != max(HXb.shape):
 103             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))
 104         d  = Y - HXb
 105         #
 106         # Définition de la fonction-coût
 107         # ------------------------------
 108         def CostFunction(x):
 109             _X  = numpy.asmatrix(numpy.ravel( x )).T
 110             _HX = Hm( _X )
 111             _HX = numpy.asmatrix(numpy.ravel( _HX )).T
 112             Jb  = 0.
 113             Jo  = 0.
 114             J   = Jb + Jo
 115             if self._parameters["StoreInternalVariables"]:
 116                 self.StoredVariables["CurrentState"].store( _X )
 117             self.StoredVariables["CostFunctionJb"].store( Jb )
 118             self.StoredVariables["CostFunctionJo"].store( Jo )
 119             self.StoredVariables["CostFunctionJ" ].store( J )
 120             return _HX
 121         #
 122         def GradientOfCostFunction(x):
 123             _X      = numpy.asmatrix(numpy.ravel( x )).T
 124             Hg = HO["Tangent"].asMatrix( _X )
 125             return Hg
 126         #
 127         # Point de démarrage de l'optimisation : Xini = Xb
 128         # ------------------------------------
 129         if type(Xb) is type(numpy.matrix([])):
 130             Xini = Xb.A1.tolist()
 131         else:
 132             Xini = list(Xb)
 133         #
 134         # Minimisation de la fonctionnelle
 135         # --------------------------------
 136         if self._parameters["Minimizer"] == "MMQR":
 137             import mmqr
 138             Minimum, J_optimal, Informations = mmqr.mmqr(
 139                 func        = CostFunction,
 140                 x0          = Xini,
 141                 fprime      = GradientOfCostFunction,
 142                 bounds      = Bounds,
 143                 quantile    = self._parameters["Quantile"],
 144                 maxfun      = self._parameters["MaximumNumberOfSteps"],
 145                 toler       = self._parameters["CostDecrementTolerance"],
 146                 y           = Y,
 147                 )
 148             nfeval = Informations[2]
 149             rc     = Informations[4]
 150         else:
 151             raise ValueError("Error in Minimizer name: %s"%self._parameters["Minimizer"])
 152         #
 153         # Obtention de l'analyse
 154         # ----------------------
 155         Xa = numpy.asmatrix(numpy.ravel( Minimum )).T
 156         #
 157         self.StoredVariables["Analysis"].store( Xa.A1 )
 158         #
 159         if "OMA"                           in self._parameters["StoreSupplementaryCalculations"] or \
 160            "SimulatedObservationAtOptimum" in self._parameters["StoreSupplementaryCalculations"]:
 161             HXa = Hm(Xa)
 162         #
 163         # Calculs et/ou stockages supplémentaires
 164         # ---------------------------------------
 165         if "Innovation" in self._parameters["StoreSupplementaryCalculations"]:
 166             self.StoredVariables["Innovation"].store( numpy.ravel(d) )
 167         if "BMA" in self._parameters["StoreSupplementaryCalculations"]:
 168             self.StoredVariables["BMA"].store( numpy.ravel(Xb - Xa) )
 169         if "OMA" in self._parameters["StoreSupplementaryCalculations"]:
 170             self.StoredVariables["OMA"].store( numpy.ravel(Y - HXa) )
 171         if "OMB" in self._parameters["StoreSupplementaryCalculations"]:
 172             self.StoredVariables["OMB"].store( numpy.ravel(d) )
 173         if "SimulatedObservationAtBackground" in self._parameters["StoreSupplementaryCalculations"]:
 174             self.StoredVariables["SimulatedObservationAtBackground"].store( numpy.ravel(HXb) )
 175         if "SimulatedObservationAtOptimum" in self._parameters["StoreSupplementaryCalculations"]:
 176             self.StoredVariables["SimulatedObservationAtOptimum"].store( numpy.ravel(HXa) )
 177         #
 178         self._post_run(HO)
 179         return 0
 180
 181 # ==============================================================================
 182 if __name__ == "__main__":
 183     print '\n AUTODIAGNOSTIC \n'