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