self.__StoredDiagnostics = {}
self.__StoredInputs = {}
#
+ self.__B_scalar = None
+ self.__R_scalar = None
+ self.__Q_scalar = None
+ self.__Parameters["B_scalar"] = None
+ self.__Parameters["R_scalar"] = None
+ self.__Parameters["Q_scalar"] = None
+ #
# Variables temporaires
self.__algorithm = {}
self.__algorithmFile = None
return 0
def setBackgroundError(self,
- asCovariance = None,
- toBeStored = False,
+ asCovariance = None,
+ asEyeByScalar = None,
+ toBeStored = False,
):
"""
Permet de définir la covariance des erreurs d'ébauche :
- asCovariance : entrée des données, comme une matrice compatible avec
le constructeur de numpy.matrix
+ - asEyeByScalar : entrée des données comme un seul scalaire de variance,
+ multiplicatif d'une matrice de corrélation identité, aucune matrice
+ n'étant donc explicitement à donner
- toBeStored : booléen indiquant si la donnée d'entrée est sauvée pour
être rendue disponible au même titre que les variables de calcul
"""
- self.__B = numpy.matrix( asCovariance, numpy.float )
+ if asEyeByScalar is not None:
+ self.__B_scalar = float(asEyeByScalar)
+ self.__B = None
+ else:
+ self.__B_scalar = None
+ self.__B = numpy.matrix( asCovariance, numpy.float )
+ #
+ self.__Parameters["B_scalar"] = self.__B_scalar
if toBeStored:
self.__StoredInputs["BackgroundError"] = self.__B
return 0
return 0
def setObservationError(self,
- asCovariance = None,
- toBeStored = False,
+ asCovariance = None,
+ asEyeByScalar = None,
+ toBeStored = False,
):
"""
Permet de définir la covariance des erreurs d'observations :
- asCovariance : entrée des données, comme une matrice compatible avec
le constructeur de numpy.matrix
+ - asEyeByScalar : entrée des données comme un seul scalaire de variance,
+ multiplicatif d'une matrice de corrélation identité, aucune matrice
+ n'étant donc explicitement à donner
- toBeStored : booléen indiquant si la donnée d'entrée est sauvée pour
être rendue disponible au même titre que les variables de calcul
"""
- self.__R = numpy.matrix( asCovariance, numpy.float )
+ if asEyeByScalar is not None:
+ self.__R_scalar = float(asEyeByScalar)
+ self.__R = None
+ else:
+ self.__R_scalar = None
+ self.__R = numpy.matrix( asCovariance, numpy.float )
+ #
+ self.__Parameters["R_scalar"] = self.__R_scalar
if toBeStored:
self.__StoredInputs["ObservationError"] = self.__R
return 0
return 0
def setEvolutionError(self,
- asCovariance = None,
- toBeStored = False,
+ asCovariance = None,
+ asEyeByScalar = None,
+ toBeStored = False,
):
"""
Permet de définir la covariance des erreurs de modèle :
- asCovariance : entrée des données, comme une matrice compatible avec
le constructeur de numpy.matrix
+ - asEyeByScalar : entrée des données comme un seul scalaire de variance,
+ multiplicatif d'une matrice de corrélation identité, aucune matrice
+ n'étant donc explicitement à donner
- toBeStored : booléen indiquant si la donnée d'entrée est sauvée pour
être rendue disponible au même titre que les variables de calcul
"""
- self.__Q = numpy.matrix( asCovariance, numpy.float )
+ if asEyeByScalar is not None:
+ self.__Q_scalar = float(asEyeByScalar)
+ self.__Q = None
+ else:
+ self.__Q_scalar = None
+ self.__Q = numpy.matrix( asCovariance, numpy.float )
+ #
+ self.__Parameters["Q_scalar"] = self.__Q_scalar
if toBeStored:
self.__StoredInputs["EvolutionError"] = self.__Q
return 0
Permet de définir la valeur initiale du vecteur X contenant toutes les
variables de contrôle, i.e. les paramètres ou l'état dont on veut
estimer la valeur pour obtenir les observations. C'est utile pour un
- algorithme itératif/incrémental
+ algorithme itératif/incrémental.
- asVector : entrée des données, comme un vecteur compatible avec le
constructeur de numpy.matrix.
- toBeStored : booléen indiquant si la donnée d'entrée est sauvée pour
Permet de sélectionner l'algorithme à utiliser pour mener à bien l'étude
d'assimilation. L'argument est un champ caractère se rapportant au nom
d'un fichier contenu dans "../daAlgorithms" et réalisant l'opération
- d'assimilation sur les arguments (Xb,Y,H,R,B,Xa).
+ d'assimilation sur les arguments fixes.
"""
if choice is None:
raise ValueError("Error: algorithm choice has to be given")
dictionnaire.
"""
if asDico is not None:
- self.__Parameters = dict( asDico )
- else:
- self.__Parameters = {}
+ self.__Parameters.update( dict( asDico ) )
+ #
self.__StoredInputs["AlgorithmParameters"] = self.__Parameters
return 0
else: __Y_shape = self.__Y.shape()
else: raise TypeError("Y has no attribute of shape: problem !")
#
- if self.__B is None: __B_shape = (0,0)
+ if self.__B is None and self.__B_scalar is None:
+ __B_shape = (0,0)
+ elif self.__B is None and self.__B_scalar is not None:
+ __B_shape = (max(__Xb_shape),max(__Xb_shape))
elif hasattr(self.__B,"shape"):
if type(self.__B.shape) is tuple: __B_shape = self.__B.shape
else: __B_shape = self.__B.shape()
else: raise TypeError("B has no attribute of shape: problem !")
#
- if self.__R is None: __R_shape = (0,0)
+ if self.__R is None and self.__R_scalar is None:
+ __R_shape = (0,0)
+ elif self.__R is None and self.__R_scalar is not None:
+ __R_shape = (max(__Y_shape),max(__Y_shape))
elif hasattr(self.__R,"shape"):
if type(self.__R.shape) is tuple: __R_shape = self.__R.shape
else: __R_shape = self.__R.shape()
