def countMeanVbForAprior_S4000(expplan:list, bstart:list, bend:list, c, Ve, jac, func=None):
"""
:param expplan: план эксперимента
:param bstart: начало диапазона b (вектор)
:param bend: конец диапазона b (вектор)
:param c: словарь доп. параметров
:param Ve: ковариационная матрица ошибок экспериментов
:param jac: функция якобиана (на входе x,b,c=None, y=None)
:return: среднее значение определителя [0] и его дисперсию [1]
"""
DS=0 #среднее определителя
SD=0 #дисперсия определителя
for sss in range(1, 30): #30 - количество попыток в выборке
b=o_g.uniformVector (bstart, bend)
Vb=o_p.countVbForPlan(expplan, b, c, Ve, jac, func)
D=np.linalg.det(Vb)
if D:
DS=(D+(sss-1)*DS)/sss #среднее определителя
SD=((DS-D)*(DS-D)+(sss-1)*SD)/sss #дисперсия определителя
return DS, SD
def getbSeqPlanUltra(xstart: list,
xend: list,
N: int,
btrue: list,
binit: list,
c,
Ve,
jacf,
funcf,
initplan=None,
NSIG=10,
smallestdetVb=1e-6,
implicit=False,
lognorm=False,
dotlim=500,
verbose=False,
terminationOptDict={}):
"""
Осуществляет последовательное планирование и оценку коэффициентов модели
:param xstart: начало диапазона x
:param xend: конец диапазона x
:param N: количество точек в плане эксперимента
:param binit: стартовое значение вектора коэффициентов
:param btrue: истинное значение вектора коэффициентов
:param c: словарь дополнительных переменных
:param Ve: ковариационная матрица y
:param jacf: функция, возвращающая якобиан модели, входящие x,b,c,y
:param funcf: функция, возвращающая значение модели, входящие x,b,c
:param initplan: - начальный план
:param NSIG:
:param implicit - неявность функции. Если функция неявна, то в gknu sign=0
:param lognorm - требуется ли использование логнорм для получения измеренных данных
:param dotlim - предел добавленных точек
:param verbose - выводить ли информацию по итерациям
:param terminationOptDict - словарь опций завершения итеративного процесса:
VdShelfPow - по умолчанию -1 math.fabs(detVb-prevdetVb)/prevdetVb<math.pow(10,-VdShelfPow) NSIG для полки по detVb
:return: k, число итераций, лог
Для переделывания на реальные измерения btrue=None и функции моделирования переводятся на измерительные // btrue вообще должен бы быть исключен из всех функций ofiura
"""
startplan = initplan if initplan else o_p.makeRandomUniformExpPlan(
xstart, xend, N)
origplan = copy.copy(startplan)
measdata = o_p.makeMeasAccToPlan_lognorm(
funcf, startplan, btrue, c, Ve) if lognorm else o_p.makeMeasAccToPlan(
funcf, startplan, btrue, c, Ve)
log = ""
b = binit
prevdetVb = None
for numiter in range(
dotlim
): #ограничитель цикла - если выход произошёл по ограничению, значит, возможна ошибка
estim = o_e.grandCountGN_UltraX1(
funcf,
jacf,
measdata,
b,
c,
NSIG,
implicit=implicit,
verbose=False) #получили оценку b binit=b
#measdata почему-то разная, причины неизвестны.
b = estim[0]
Sk = estim[1]
Vb = o_p.countVbForMeasdata(b, c, Ve, jacf, measdata)
#посчитали определитель
detVb = np.linalg.det(Vb)
if verbose:
print(
"Sequence Plan Iteration: {0}\nb={1}\ndetVb={2}\nprevdetVb={3} \nSk={4}"
.format(numiter, b, detVb, prevdetVb, Sk))
VdShelfPow = terminationOptDict[
'VdShelfPow'] if 'VdShelfPow' in terminationOptDict else -1
condition = prevdetVb != None and math.fabs(
detVb - prevdetVb) / prevdetVb < math.pow(
10, VdShelfPow) #если вышли на плато
prevdetVb = detVb
if condition:
return b, numiter, Sk, startplan, origplan, log, estim, measdata, detVb #то всё вернуть
#иначе поиск следующей точки плана
xdot = copy.copy(
xstart
) #получили начальную точку начальное значение - ровно пополам диапазона
for i in range(len(xstart)): #присвоили ей значение
xdot[i] = xstart[i] + (xend[i] - xstart[i]) / 2
#объектная функция
measure = lambda x, b, c: o_p.makeMeasOneDot_lognorm(
funcf, x, b, c, Ve) if lognorm else o_p.makeMeasOneDot(
funcf, xdot, b, c, Ve)
function = lambda x: np.linalg.det(
o_p.countVbForPlan(o_g.appendToList(startplan, x), b, c, Ve, jacf,
measure))
#function = lambda x: np.linalg.det(o_p.countVbForPlan(o_g.appendToList(startplan, x),b,c,Ve,jacf, funcf))
#funcf заменено на measure, которая добавляет дисперсию.
#function и measure есть разные функции - первая даёт идеальный результат, вторая - с дисперсией
#создать функцию, которая будет возвращать полученные от func данные, налагая дисперсию.
#каждый раз будет пытаться добавить в план точку и вернуть определитель с добавленной точкой
#где тут добавлять дисперсию, а где - не добавлять, есть тащем-та вопрос открытый
xdot = o_g.doublesearch(xstart, xend, xdot,
function) #оптимизировали значение точки
startplan.append(xdot)
#measdata.append({'x':xdot, 'y':funcf(xdot,b,c)})
ymeas = o_p.makeMeasOneDot_lognorm(
funcf, xdot, btrue, c, Ve) if lognorm else o_p.makeMeasOneDot(
funcf, xdot, btrue, c, Ve)
#примитивная защита от кривых результатов измерения
if ymeas != None:
measdata.append({'x': xdot, 'y': ymeas})
#measdata = o_p.makeMeasAccToPlan_lognorm(funcf, startplan, btrue, c, Ve) if lognorm else o_p.makeMeasAccToPlan(funcf, startplan, btrue, c, Ve)
#окончание этого цикла "естественным путём" говорит о том, что превышено максимальное число итераций
return b, dotlim, Sk, startplan, origplan, log + "ERROR: maximum number of iterations archieved", estim, measdata, detVb
def getbSeqPlanUltra (xstart:list, xend:list, N:int, btrue:list, binit:list, c, Ve, jacf, funcf, initplan=None, NSIG=10, smallestdetVb=1e-6, implicit=False, lognorm=False, dotlim=100, verbose=False):
"""
Осуществляет последовательное планирование и оценку коэффициентов модели
:param xstart: начало диапазона x
:param xend: конец диапазона x
:param N: количество точек в плане эксперимента
:param binit: стартовое значение вектора коэффициентов
:param btrue: истинное значение вектора коэффициентов
:param c: словарь дополнительных переменных
:param Ve: ковариационная матрица y
:param jacf: функция, возвращающая якобиан модели, входящие x,b,c,y
:param funcf: функция, возвращающая значение модели, входящие x,b,c
:param initplan: - начальный план
:param NSIG:
:param implicit - неявность функции. Если функция неявна, то в gknu sign=0
:param lognorm - требуется ли использование логнорм для получения измеренных данных
:return: k, число итераций, лог
Для переделывания на реальные измерения btrue=None и функции моделирования переводятся на измерительные
"""
startplan = initplan if initplan else o_p.makeRandomUniformExpPlan(xstart, xend, N)
origplan = copy.copy(startplan)
measdata = o_p.makeMeasAccToPlan_lognorm(funcf, startplan, btrue, c, Ve) if lognorm else o_p.makeMeasAccToPlan(funcf, startplan, btrue, c, Ve)
log=""
b=binit
prevdetVb=None
for numiter in range(dotlim): #ограничитель цикла - если выход произошёл по ограничению, значит, возможна ошибка
estim=o_e.grandCountGN_UltraX1(funcf, jacf, measdata, b, c, NSIG, implicit=implicit, verbose=False) #получили оценку b binit=b
#measdata почему-то разная, причины неизвестны.
b=estim[0]
Sk=estim[1]
Vb=o_p.countVbForMeasdata(b, c, Ve, jacf, measdata)
#посчитали определитель
detVb=np.linalg.det(Vb)
if verbose:
print ("Sequence Plan Iteration: {0}\nb={1}\ndetVb={2}\nprevdetVb={3} \nSk={4}".format(numiter, b, detVb, prevdetVb, Sk))
condition=prevdetVb!=None and math.fabs(detVb-prevdetVb)/prevdetVb<math.pow(10,-1) #если вышли на плато
prevdetVb=detVb
if condition:
return b, numiter, Sk, startplan, origplan, log, estim, measdata, detVb #то всё вернуть
#иначе поиск следующей точки плана
xdot=copy.copy(xstart) #получили начальную точку начальное значение - ровно пополам диапазона
for i in range(len(xstart)): #присвоили ей значение
xdot[i]=xstart[i]+(xend[i]-xstart[i])/2
#объектная функция
measure=lambda x,b,c:o_p.makeMeasOneDot_lognorm(funcf, x, b, c, Ve) if lognorm else o_p.makeMeasOneDot(funcf, xdot, b, c, Ve)
function = lambda x: np.linalg.det(o_p.countVbForPlan(o_g.appendToList(startplan, x),b,c,Ve,jacf, measure))
#funcf заменено на measure, которая добавляет дисперсию.
#function и measure есть разные функции - первая даёт идеальный результат, вторая - с дисперсией
#создать функцию, которая будет возвращать полученные от func данные, налагая дисперсию.
#каждый раз будет пытаться добавить в план точку и вернуть определитель с добавленной точкой
#где тут добавлять дисперсию, а где - не добавлять, есть тащем-та вопрос открытый
xdot=o_g.doublesearch (xstart, xend, xdot, function) #оптимизировали значение точки
startplan.append(xdot)
#measdata.append({'x':xdot, 'y':funcf(xdot,b,c)})
ymeas=o_p.makeMeasOneDot_lognorm(funcf, xdot, btrue, c, Ve) if lognorm else o_p.makeMeasOneDot(funcf, xdot, btrue, c, Ve)
measdata.append({'x':xdot, 'y':ymeas})
#measdata = o_p.makeMeasAccToPlan_lognorm(funcf, startplan, btrue, c, Ve) if lognorm else o_p.makeMeasAccToPlan(funcf, startplan, btrue, c, Ve)
#окончание этого цикла "естественным путём" говорит о том, что превышено максимальное число итераций
return b, dotlim, Sk, startplan, origplan, log+"ERROR: maximum number of iterations archieved", estim, measdata, detVb
