src/daComposant/daDiagnostics/ReduceBiais.py

   1 #-*-coding:iso-8859-1-*-
   2 #
   3 #  Copyright (C) 2008-2010  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 __doc__ = """
  22     Diagnostic sur la reduction du biais lors de l'analyse
  23 """
  24 __author__ = "Sophie RICCI - Aout 2008"
  25
  26 import numpy
  27 from daCore import BasicObjects, Persistence
  28
  29 # ==============================================================================
  30 class ElementaryDiagnostic(BasicObjects.Diagnostic,Persistence.OneScalar):
  31     def __init__(self, name = "", unit = "", basetype = None, parameters = {}):
  32         BasicObjects.Diagnostic.__init__(self, name, parameters)
  33         Persistence.OneScalar.__init__( self, name, unit, basetype = bool)
  34
  35     def _formula(self, V1, V2):
  36         """
  37         Vérification de la reduction du biais entre OMB et OMA lors de l'analyse
  38         """
  39         biaisOMB = V1.mean()
  40         biaisOMA = V2.mean()
  41         #
  42         if biaisOMA > biaisOMB:
  43             reducebiais = False
  44         else :
  45             reducebiais = True
  46         #
  47         return reducebiais
  48
  49     def calculate(self, vectorOMB = None, vectorOMA = None, step = None):
  50         """
  51         Teste les arguments, active la formule de calcul et stocke le résultat
  52         Arguments :
  53             - vectorOMB : vecteur d'écart entre les observations et l'ébauche
  54             - vectorOMA : vecteur d'écart entre les observations et l'analyse
  55         """
  56         if ( (vectorOMB is None) or (vectorOMA is None) ):
  57             raise ValueError("Two vectors must be given to test the reduction of the biais after analysis")
  58         V1 = numpy.array(vectorOMB)
  59         V2 = numpy.array(vectorOMA)
  60         if V1.size < 1 or V2.size < 1:
  61             raise ValueError("The given vectors must not be empty")
  62         if V1.size != V2.size:
  63             raise ValueError("The two given vectors must have the same size")
  64         #
  65         value = self._formula( V1, V2 )
  66         #
  67         self.store( value = value,  step = step )
  68
  69 #===============================================================================
  70 if __name__ == "__main__":
  71     print '\n AUTODIAGNOSTIC \n'
  72     #
  73     # Instanciation de l'objet diagnostic
  74     # -----------------------------------
  75     D = ElementaryDiagnostic("Mon ReduceBiais")
  76     #
  77     # Tirage des 2 vecteurs choisis
  78     # -------------------------------
  79     x1 = numpy.matrix(([3. , 4., 5. ]))
  80     x2 = numpy.matrix(([1.5, 2., 2.5]))
  81     print " L'écart entre les observations et l'ébauche est OMB :", x1
  82     print " La moyenne de OMB (i.e. le biais) est de............:", x1.mean()
  83     print " L'écart entre les observations et l'analyse est OMA :", x2
  84     print " La moyenne de OMA (i.e. le biais) est de............:", x2.mean()
  85     #
  86     D.calculate( vectorOMB = x1,  vectorOMA = x2)
  87     if not D.valueserie(0) :
  88             print " Résultat : l'analyse NE RÉDUIT PAS le biais"
  89     else :
  90             print " Résultat : l'analyse RÉDUIT le biais"
  91     print
  92     #
  93     # Tirage des 2 vecteurs choisis
  94     # -------------------------------
  95     x1 = numpy.matrix(range(-5,6))
  96     x2 = numpy.array(range(11))
  97     print " L'écart entre les observations et l'ébauche est OMB :", x1
  98     print " La moyenne de OMB (i.e. le biais) est de............:", x1.mean()
  99     print " L'écart entre les observations et l'analyse est OMA :", x2
 100     print " La moyenne de OMA (i.e. le biais) est de............:", x2.mean()
 101     #
 102     D.calculate( vectorOMB = x1,  vectorOMA = x2)
 103     if not D.valueserie(1) :
 104             print " Résultat : l'analyse NE RÉDUIT PAS le biais"
 105     else :
 106             print " Résultat : l'analyse RÉDUIT le biais"
 107     print