Adm_ML.append(float(f.readline().split()[3])) gam_dm_ML.append(float(f.readline().split()[3])) Ared_ML.append(float(f.readline().split()[3])) 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 ################################################################################################################################
gam_dm_ML.append(float(f.readline().split()[3])) Ared_ML.append(float(f.readline().split()[3])) 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 ################################################################################################################################