gam_red_ML.append(float(f.readline().split()[3]))
for jj in range(len(backends[ii])):
EFAC_ML[ii][jj] = float(f.readline().split()[3])
for jj in range(len(backends[ii])):
EQUAD_ML[ii][jj] = float(f.readline().split()[3])
################################################################################################################################
# MAKE FIXED NOISE MATRICES FROM MAXIMUM-LIKELIHOOD VALUES OF SINGLE-PULSAR ANALYSIS
################################################################################################################################
GGCGG = []
for ii in range(len(psr)):
tgrid = utils.makeTimeGrid(psr[ii], psr[ii])
Cred = utils.makeRedTDcov(Ared_ML[ii], gam_red_ML[ii], tgrid)
Cdm = utils.makeDmTDcov(psr[ii], Adm_ML[ii], gam_dm_ML[ii], tgrid)
Cwhite = np.diag(psr[ii].toaerrs**2.0)
########
GCGnoise = np.dot(psr[ii].G.T, np.dot(Cred + Cdm + Cwhite, psr[ii].G))
GCGnoise = np.nan_to_num(GCGnoise)
cho = sl.cho_factor(GCGnoise)
GGCGG.append(
np.dot(psr[ii].G,
np.dot(sl.cho_solve(cho, np.eye(len(GCGnoise))), psr[ii].G.T)))
################################################################################################################################
# DEFINING THE PRIOR AND THE LOG-LIKELIHOOD
################################################################################################################################
def my_prior(cube, ndim, nparams):
for jj in range(len(backends[ii])):
EFAC_ML[ii][jj] = float(f.readline().split()[3])
for jj in range(len(backends[ii])):
EQUAD_ML[ii][jj] = float(f.readline().split()[3])
################################################################################################################################
# MAKE FIXED NOISE MATRICES FROM MAXIMUM-LIKELIHOOD VALUES OF SINGLE-PULSAR ANALYSIS
################################################################################################################################
GGCGG=[]
for ii in range(len(psr)):
tgrid = utils.makeTimeGrid(psr[ii], psr[ii])
Cred = utils.makeRedTDcov(Ared_ML[ii], gam_red_ML[ii], tgrid)
Cdm = utils.makeDmTDcov(psr[ii], Adm_ML[ii], gam_dm_ML[ii], tgrid)
Cwhite = np.diag(psr[ii].toaerrs**2.0)
########
GCGnoise = np.dot(psr[ii].G.T, np.dot(Cred+Cdm+Cwhite, psr[ii].G))
GCGnoise = np.nan_to_num(GCGnoise)
cho = sl.cho_factor(GCGnoise)
GGCGG.append( np.dot(psr[ii].G, np.dot(sl.cho_solve(cho, np.eye(len(GCGnoise))), psr[ii].G.T)) )
################################################################################################################################
# DEFINING THE PRIOR AND THE LOG-LIKELIHOOD
################################################################################################################################
def my_prior(cube, ndim, nparams):
cube[0] = -18.0 + cube[0]*12.0
cube[1] = -9.0 + cube[1]*3.0 # searching from a nanohertz up to sampling cadence of approximately 3 days
