:alt: ADAO logo
**The ADAO module provides data assimilation and optimization** features in
-SALOME context [Salome]_. It is based on usage of other SALOME modules, namely
-YACS and EFICAS, and on usage of a generic underlying data assimilation
-library.
+Python or SALOME context [Salome]_. It is based on usage of other SALOME
+modules, namely YACS and EFICAS if they are available, and on usage of a
+generic underlying data assimilation library.
Briefly stated, Data Assimilation is a methodological framework to compute the
-optimal estimate of the inaccessible true value of a system state over time. It
-uses information coming from experimental measurements or observations, and from
-numerical *a priori* models, including information about their errors. Parts of
-the framework are also known under the names of *parameter estimation*, *inverse
-problems*, *Bayesian estimation*, *optimal interpolation*, etc. More details can
-be found in the section :ref:`section_theory`.
+optimal estimate of the inaccessible true value of a system state, eventually
+over time. It uses information coming from experimental measurements or
+observations, and from numerical *a priori* models, including information about
+their errors. Parts of the framework are also known under the names of
+*parameter estimation*, *inverse problems*, *Bayesian estimation*, *optimal
+interpolation*, etc. More details can be found in the section
+:ref:`section_theory`.
The documentation for this module is divided into several major categories,
related to the theoretical documentation (indicated in the title by **[DocT]**),
:alt: Logo ADAO
**Le module ADAO fournit des fonctionnalités d'assimilation de données et
-d'optimisation** dans un contexte SALOME [Salome]_. Il est basé sur
-l'utilisation d'autres modules, à savoir YACS et EFICAS, et sur l'utilisation
-d'une bibliothèque et d'outils génériques sous-jacents d'assimilation de
-données.
+d'optimisation** dans un contexte Python ou SALOME [Salome]_. Il est basé sur
+l'utilisation d'autres modules, à savoir YACS et EFICAS s'ils sont disponibles,
+et sur l'utilisation d'une bibliothèque et d'outils génériques sous-jacents
+d'assimilation de données.
En bref, l'assimilation de données est un cadre méthodologique pour calculer
-l'estimation optimale de la valeur réelle (inaccessible) de l'état d'un système
-au cours du temps. Il utilise des informations provenant de mesures
-expérimentales, ou observations, et de modèles numériques *a priori*, y compris
-des informations sur leurs erreurs. Certaines des méthodes incluses dans ce
-cadre sont également connues sous les noms d'*estimation des paramètres*, de
-*problèmes inverses*, d'*estimation bayésienne*, d'*interpolation optimale*,
-etc. De plus amples détails peuvent être trouvés dans la partie proposant
-:ref:`section_theory`.
+l'estimation optimale de la valeur réelle (inaccessible) de l'état d'un
+système, éventuellement au cours du temps. Il utilise des informations
+provenant de mesures expérimentales, ou observations, et de modèles numériques
+*a priori*, y compris des informations sur leurs erreurs. Certaines des
+méthodes incluses dans ce cadre sont également connues sous les noms
+d'*estimation des paramètres*, de *problèmes inverses*, d'*estimation
+bayésienne*, d'*interpolation optimale*, etc. De plus amples détails peuvent
+être trouvés dans la partie proposant :ref:`section_theory`.
La documentation de ce module est divisée en plusieurs grandes catégories,
relatives à la documentation théorique (indiquée dans le titre par **[DocT]**),
DeriveesT = array(matrix(Derivees).T)
M = dot( DeriveesT , (array(matrix(p*[poids,]).T)*Derivees) )
SM = dot( DeriveesT , veps ).T
- step = - linalg.lstsq( M, SM )[0]
+ step = - linalg.lstsq( M, SM, rcond=-1 )[0]
#
variables = variables + step
if bounds is not None:
def __dir__(self):
"Clarifie la visibilité des méthodes"
- return ['set', 'get', 'execute', '__doc__', '__init__', '__module__']
+ return ['set', 'get', 'execute', 'dump', 'load', '__doc__', '__init__', '__module__']
def prepare_to_pickle(self):
"Retire les variables non pickelisables, avec recopie efficace"
__all__ = ["New"]
from daCore.Aidsm import Aidsm as _Aidsm
+from daCore.version import name, version, year, date
# ==============================================================================
class New(_Aidsm):
