From: Jean-Philippe ARGAUD Date: Tue, 7 Feb 2012 07:31:56 +0000 (+0100) Subject: Utilisation potentielle efficace de matrices diagonales X-Git-Tag: V6_5_0~26 X-Git-Url: http://git.salome-platform.org/gitweb/?a=commitdiff_plain;h=551103eb0d4f0b5394a0ed58318f0bde91130ef7;p=modules%2Fadao.git Utilisation potentielle efficace de matrices diagonales --- diff --git a/src/daComposant/daCore/AssimilationStudy.py b/src/daComposant/daCore/AssimilationStudy.py index bdd9597..8d1f7be 100644 --- a/src/daComposant/daCore/AssimilationStudy.py +++ b/src/daComposant/daCore/AssimilationStudy.py @@ -77,6 +77,13 @@ class AssimilationStudy: 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 @@ -121,17 +128,28 @@ class AssimilationStudy: 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 @@ -167,17 +185,28 @@ class AssimilationStudy: 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 @@ -284,17 +313,28 @@ class AssimilationStudy: 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 @@ -308,7 +348,7 @@ class AssimilationStudy: 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 @@ -326,7 +366,7 @@ class AssimilationStudy: 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") @@ -365,9 +405,8 @@ class AssimilationStudy: 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 @@ -430,13 +469,19 @@ class AssimilationStudy: 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()