def optimize(self, parametersReport = True):
u'''
Método para obtenção da estimativa dos parâmetros e sua matriz de covariância.
'''
# ---------------------------------------------------------------------
# FLUXO
# ---------------------------------------------------------------------
self._EstimacaoNaoLinear__controleFluxo.SET_ETAPA('otimizacao')
# ---------------------------------------------------------------------
# VALIDAÇÃO
# ---------------------------------------------------------------------
if not self._EstimacaoNaoLinear__flag.info['dadosestimacao']:
raise TypeError(u'For execute optimize is necessary to input the estimation data.')
if self._EstimacaoNaoLinear__controleFluxo.SETparametro:
raise TypeError(u'The optimization method cannot be run with SETparameter.')
# ---------------------------------------------------------------------
# RESOLUÇÃO
# ---------------------------------------------------------------------
X = self.x.estimacao.matriz_estimativa
Uyy = self.y.estimacao.matriz_covariancia
y = self.y.estimacao.vetor_estimativa
variancia = inv(X.transpose().dot(inv(Uyy)).dot(X))
parametros = variancia.dot(X.transpose().dot(inv(Uyy))).dot(y)
# ---------------------------------------------------------------------
# ATRIBUIÇÃO A GRANDEZA
# ---------------------------------------------------------------------
self.parametros._SETparametro(parametros.transpose()[0].tolist(),variancia,None)
# ---------------------------------------------------------------------
# FUNÇÃO OBJETIVO NO PONTO ÓTIMO
# ---------------------------------------------------------------------
# initialization of the method that create the symbolic's variables
EstimacaoNaoLinear._constructionCasadiVariables(self)
self.FOotimo = float(self._excObjectiveFunction(self.parametros.estimativa,self._values))
# parameters report creation
if parametersReport:
self._out.Parametros(self.parametros, self.FOotimo)
#%% Starting the MT_PEU main object
# Model: Pass the model defined in def Model;
# symbols_x: List of symbols for quantity x;
# symbols_y: List of symbols for quantity y;
# symbols_param: List of symbols for the parameters to be estimated;
# label_latex_param: List of symbols for parameters written in LaTex;
# label_latex_x: List of symbols for quantities x written in LaTex
# units_y: List of units of measurement for independent quantities;
# units_param: List of units of measurement of the parameters;
# units_x: List of units of measurement of dependent quantities;
# Folder: Defines the name of the folder where the results will be saved.
Estime = EstimacaoNaoLinear(Model,
symbols_x=[r't', 'Tau'],
units_x=['s', 'K'],
label_latex_x=[r'$t$', '$T$'],
symbols_y=[r'y'],
units_y=['adm'],
symbols_param=['ko', 'E'],
units_param=['adm', 'K'],
label_latex_param=[r'$k_o$', r'$E$'],
Folder='Exemple5')
#%% Defining observed data
# Input data
# input 1
time = [
120.0, 60.0, 120.0, 60.0, 30.0, 15.0, 45.1, 90.0, 150.0, 60.0, 60.0, 30.0,
150.0, 90.4, 120.0, 60.0, 60.0, 60.0, 30.0, 45.1, 30.0, 45.0, 15.0, 90.0,
25.0, 60.1, 60.0, 30.0, 60.0
]
# input 1 uncertainty
uxtime = [0.001] * 29
#%% Starting the MT_PEU main object
# Model: Pass the model defined in def Model;
# symbols_x: List of symbols for quantity x;
# symbols_y: List of symbols for quantity y;
# symbols_param: List of symbols for the parameters to be estimated;
# label_latex_param: List of symbols for parameters written in LaTex;
# units_y: List of units of measurement for independent quantities;
# units_x: List of units of measurement of dependent quantities;
# units_param: List of units of measurement of the parameters;
# Folder: Defines the name of the folder where the results will be saved.
Estime = EstimacaoNaoLinear(Model,
symbols_x=['t', 'Tao'],
units_x=['s', 'K'],
symbols_y=[r'y'],
units_y=['adm'],
symbols_param=['ko', 'E'],
units_param=['adm', 'K'],
Folder='Exemple2')
#%% Defining observed data
# Input data
# input 1
time = [
120.0, 60.0, 60.0, 120.0, 120.0, 60.0, 60.0, 30.0, 15.0, 60.0, 45.1, 90.0,
150.0, 60.0, 60.0, 60.0, 30.0, 90.0, 150.0, 90.4, 120.0, 60.0, 60.0, 60.0,
60.0, 60.0, 60.0, 30.0, 45.1, 30.0, 30.0, 45.0, 15.0, 30.0, 90.0, 25.0,
60.1, 60.0, 30.0, 30.0, 60.0
]
# input 1 uncertainty
uxtime = [1] * 41
def Model(param, x, args):
T = x[:, 0]
A, B, C = param[0], param[1], param[2]
return exp(A - (B / (T + C))) # Pvp calculation - vectorized
#%% Starting the MT_PEU main object
# Model: Pass the model defined in def Model;
# symbols_x: List of ymbols for quantity x;
# symbols_y: List of ymbols for quantity y;
# symbols_param: List of Symbols for the parameters to be estimated;
# Folder: Defines the name of the folder where the results will be saved.
Estimation = EstimacaoNaoLinear(Model,
symbols_x=[r'T'],
symbols_y=[r'y'],
symbols_param=['A', 'B', 'C'],
Folder='Exemple3')
#%% Defining observed data
# Input data
T = [
297.1, 298.2, 299.3, 301.2, 304.2, 307.2, 310.2, 314.1, 316.2, 317.8,
318.2, 320.2, 323.1, 326.2, 329.1, 331.2, 334.2, 337.1, 340.2, 343.2,
346.2, 349.1, 352.2
]
# Input data uncertainty
uxT = [0.1] * len(T)
# Output data
P = [
def Model(param,x,*args):
a1, b1, a2, b2 = param[0], param[1], param[2], param[3]
x1, x2 = x[:,0], x[:,1]
return vertcat(a1*x1/(1+b1*x1), a2*(x2**b2))
#%% Starting the MT_PEU main object
# Model: Pass the model defined in def Model;
# symbols_x: Lis of symbols for quantity x;
# symbols_y: List of symbols for quantity y;
# symbols_param: List of symbols for the parameters to be estimated;
# label_latex_param: List of ymbols for parameters written in LaTex;
# units_y: List of units of measurement for independent quantities;
# Folder: Defines the name of the folder where the results will be saved.
Estime = EstimacaoNaoLinear(Model,symbols_x=['x1','x2'],symbols_y=['y1','y2'],symbols_param=['alpha1','alpha2', 'beta1', 'beta2'],
label_latex_param=[r'$\alpha_1$',r'$\alpha_2$',r'$\beta_1$',r'$\beta_2$'],units_y=['kg','kg'],Folder='Exemple4')
#%% Defining observed data
# Input data
# input 1
x1 = [1.,2.,3.,5.,10,15.,20.,30.,40.,50.]
# input 1 uncertainty
ux1 = [1]*10
# input 2
x2 = [1.,2.,3.,5.,10,15.,20.,30.,40.,50.]
# input 2 ucertainty
ux2 = [1]*10
# Output data
# output 1
y1 = [1.66,6.07,7.55,9.72,15.24,18.79,19.33,22.38,24.27,25.51]
]
temperatura = [
600.0, 600.0, 612.0, 612.0, 612.0, 612.0, 620.0, 620.0, 620.0, 620.0,
620.0, 620.0, 620.0, 620.0, 620.0, 620.0, 620.0, 620.0, 620.0, 620.0,
620.0, 620.0, 620.0, 620.0, 620.0, 620.0, 620.0, 631.0, 631.0, 631.0,
631.0, 631.0, 639.0, 639.0, 639.0, 639.0, 639.0, 639.0, 639.0, 639.0, 639.0
]
uy = [1] * 41
uxtempo = [1] * 41
uxtemperatura = [1] * 41
#Execução do MT_PEU
Estime = EstimacaoNaoLinear(Modelo,
simbolos_x=['t', 'T'],
simbolos_y=['y'],
simbolos_param=['ko', 'E'],
Folder='Exemplo1')
Estime.setDados(0, (tempo, uxtempo), (temperatura, uxtemperatura))
Estime.setDados(1, (y, uy))
Estime.setConjunto(tipo='estimacao')
Estime.optimize(initial_estimative=[0.5, 25000], algoritmo='ipopt')
Estime.incertezaParametros(metodoIncerteza='Geral' '')
Estime.predicao()
# Valores originais
hessian = array([[5.46625676e+00, -7.50116238e-03],
[-7.50116238e-03, 1.02960714e-05]])
sensibilidade = array([[-1.06335451e-01, 1.52826132e-04],
[-5.59353653e-02, 8.03907392e-05],
[-1.28132438e-01, 1.80542088e-04],
ux1 = ones((10, 1))
ux2 = ones((10, 1))
uy1 = ones((10, 1))
uy2 = ones((10, 1))
x = concatenate((x1, x2), axis=1)
y = concatenate((y1, y2), axis=1)
ux = concatenate((ux1, ux2), axis=1)
uy = concatenate((uy1, uy2), axis=1)
Estime = EstimacaoNaoLinear(
WLS,
Modelo,
simbolos_x=['x1', 'x2'],
simbolos_y=['y1', 'y2'],
simbolos_param=[r'a%d' % i for i in xrange(4)],
label_latex_param=[r'$\alpha_{%d}$' % i for i in xrange(4)],
unidades_y=['kg', 'kg'],
projeto='projeto')
sup = [6., .3, 8., 0.7]
inf = [1., 0, 1., 0.]
tipo = None
# =================================================================================
# PARTE II - GENÉRICO (INDEPENDE DO EXEMPLO)
# =================================================================================
Estime.gerarEntradas(x, y, ux, uy, tipo='experimental')
#print Estime._EstimacaoNaoLinear__etapas
A, B = param[0], param[1]
return exp(
A / 8.31446 + B / (8.31446 * T) -
(68.2 / 8.31446) * log(T / 298.15)) # Pvp calculation - vectorized
#%% Starting the MT_PEU main object
# Model: Pass the model defined in def Model;
# symbols_x: List of symbols for quantity x;
# symbols_y: List of symbols for quantity y;
# symbols_param: List of symbols for the parameters to be estimated;
# Folder: Defines the name of the folder where the results will be saved.
Estimation = EstimacaoNaoLinear(Model,
symbols_x=[r'T'],
symbols_y=[r'P'],
symbols_param=['A', 'B'],
Folder='Exemple8')
#%% Defining observed data
# Input data
T = [
297.1, 298.2, 299.3, 301.2, 304.2, 307.2, 310.2, 314.1, 316.2, 317.8,
318.2, 320.2, 323.1, 326.2, 329.1, 331.2, 334.2, 337.1, 340.2, 343.2,
346.2, 349.1, 352.2
]
# Input data uncertainty
uT = [0.1] * len(T)
# Output data
P = [
def __init__(self,simbolos_y,simbolos_x,simbolos_param,PA=0.95,projeto='Projeto',**kwargs):
u'''
Classe para executar a estimação de parâmetros de modelos MISO lineares nos parâmetros
======================
Bibliotecas requeridas
======================
* Numpy
* Scipy
* Matplotlib
* Math
* PSO - **Obtida no link http://github.com/ddss/PSO. Os códigos devem estar dentro de uma pasta de nome PSO**
=======================
Entradas (obrigatórias)
=======================
* ``simbolos_y`` (list) : lista com os simbolos das variáveis y (Não podem haver caracteres especiais)
* ``simbolos_x`` (list) : lista com os simbolos das variáveis x (Não podem haver caracteres especiais)
* ``simbolos_param`` (list) : lista com o simbolos dos parâmetros (Não podem haver caracteres especiais)
====================
Entradas (opcionais)
====================
* ``PA`` (float): probabilidade de abrangência da análise. Deve estar entre 0 e 1. Default: 0.95
* ``projeto`` (string): nome do projeto (Náo podem haver caracteres especiais)
**AVISO**:
* Para cálculo do coeficiente linear, basta que o número de parâmetros seja igual ao número de grandezas
independentes + 1.
==============================
Keywords (Entradas opcionais):
==============================
* ``nomes_x`` (list): lista com os nomes para x
* ``unidades_x`` (list): lista com as unidades para x (inclusive em formato LATEX)
* ``label_latex_x`` (list): lista com os símbolos das variáveis em formato LATEX
* ``nomes_y`` (list): lista com os nomes para y
* ``unidades_y`` (list): lista com as unidades para y (inclusive em formato LATEX)
* ``label_latex_y`` (list): lista com os símbolos das variáveis em formato LATEX
* ``nomes_param`` (list): lista com os nomes para os parâmetros (inclusive em formato LATEX)
* ``unidades_param`` (list): lista com as unidades para os parâmetros (inclusive em formato LATEX)
* ``label_latex_param`` (list): lista com os símbolos das variáveis em formato LATEX
* ``base_path`` (string): String que define o diretório pai que serão criados/salvos os arquivos gerados pelo motor de cálculo
=======
Métodos
=======
Para a realização da estimação de parâmetros de um certo modelo faz-se necessário executar \
alguns métodos, na ordem indicada:
**ESTIMAÇÂO DE PARÂMETROS**
* ``gerarEntradas`` : método para incluir dados obtidos de experimentos. Neste há a opção de determinar \
se estes dados serão utilizados como dados para estimar os parâmetros ou para validação. (Vide documentação do método)
* ``otimiza`` : método para realizar a otimização, com base nos dados fornecidos em gerarEntradas.
* ``incertezaParametros`` : método que avalia a incerteza dos parâmetros (Vide documentação do método)
* ``gerarEntradas`` : (é opcional para inclusão de dados de validação)
* ``Predicao`` : método que avalia a predição do modelo e sua incerteza ou utilizando os pontos experimentais ou de \
validação, se disponível (Vide documentação do método)
* ``analiseResiduos`` : método para executar a análise de resíduos (Vide documentação do método)
* ``graficos`` : método para criação dos gráficos (Vide documentação do método)
* ``_armazenarDicionario`` : método que returna as grandezas sob a forma de um dicionário (Vide documentação do método)
====================
Fluxo de trabalho
====================
Esta classe valida a correta ordem de execução dos métodos. É importante salientar que cada vez que o método ``gerarEntradas`` \
é utilizado, é criado um novo ``Fluxo de trabalho``, ou seja, o motor de cálculo valida de alguns métodos precisam ser reexecutados \
devido a entrada de novos dados.
**Observação 1**: Se forem adicionados diferentes dados de validação (execuções do método gerarEntradas para incluir tais dados), \
são iniciado novos fluxos, mas é mantido o histórico de toda execução.
**Observação 2**: Se forem adicionados novos dados experimentais, todo o histórico de fluxos é apagado e reniciado.
======
Saídas
======
As saídas deste motor de cálculo estão, principalmente, sob a forma de atributos e gráficos.
Os principais atributos de uma variável Estimacao, são:
* ``x`` : objeto Grandeza que contém todas as informações referentes às grandezas \
independentes sob a forma de atributos:
* ``experimental`` : referente aos dados experimentais. Principais atributos: ``matriz_estimativa``, ``matriz_covariancia``
* ``calculado`` : referente aos dados calculados pelo modelo. Principais atributos: ``matriz_estimativa``, ``matriz_covariancia``
* ``validacao`` : referente aos dados de validação. Principais atributos: ``matriz_estimativa``, ``matriz_covariancia``
* ``residuos`` : referente aos resíduos de regressão. Principais atributos: ``matriz_estimativa``, ``estatisticas``
* ``y`` : objeto Grandeza que contém todas as informações referentes às grandezas \
dependentes sob a forma de atributos. Os atributos são os mesmos de x.
* ``parametros`` : objeto Grandeza que contém todas as informações referentes aos parâmetros sob a forma de atributos.
* ``estimativa`` : estimativa para os parâmetros
* ``matriz_covariancia`` : matriz de covariância
* ``regiao_abrangencia`` : pontos contidos na região de abrangência
Obs.: Para informações mais detalhadas, consultar os Atributos da classe Grandeza.
'''
# ---------------------------------------------------------------------
# INICIANDO A CLASSE INIT
# ---------------------------------------------------------------------
EstimacaoNaoLinear.__init__(self,WLS,Modelo,simbolos_y,simbolos_x,simbolos_param,PA,projeto,**kwargs)
self._EstimacaoNaoLinear__flag.setCaracteristica(['calc_termo_independente'])
# ---------------------------------------------------------------------
# VALIDAÇÃO
# ---------------------------------------------------------------------
if self.y.NV != 1:
raise ValueError(u'Está apenas implementado estimação de parâmetros de modelos lineares MISO')
if (self.parametros.NV != self.x.NV) and (self.parametros.NV != self.x.NV+1):
raise ValueError(u'O número de parâmetros deve ser: igual ao de grandezas independentes (não é efetuado cálculo do coeficiente linear)'+\
'OU igual ao número de grandezas independentes + 1 (é calculado o coeficiente linear).')
# ---------------------------------------------------------------------
# Definindo se o b será calculado
# ---------------------------------------------------------------------
if (self.parametros.NV == self.x.NV+1):
self._EstimacaoNaoLinear__flag.ToggleActive('calc_termo_independente')
#%% Model definition
# def Model: The subroutine that specifies the equations with their respective parameters.
def Model(param, x, *args):
ko, E = param[0], param[1]
time, T = x[:,0], x[:,1]
return exp(-(ko*10**17)*time*exp(-E/T))
#%% Starting the MT_PEU main object
# Model: Pass the model defined in def Model;
# symbols_x: list of symbols for quantity x;
# symbols_y: list of symbols for quantity y;
# symbols_param: list of symbols for the parameters to be estimated;
# Folder: string with the name of the folder where reports and charts will be saved;
Estime = EstimacaoNaoLinear(Model, symbols_x=['t','Tao'], symbols_y=['y'], symbols_param=['ko','E'], Folder='Example1')
#%% Defining observed data
# Observed data of dependent variable
y = [0.9,0.949,0.886,0.785,0.791,0.890,0.787,0.877,0.938,
0.782,0.827,0.696,0.582,0.795,0.800,0.790,0.883,0.712,0.576,0.715,0.673,
0.802,0.802,0.804,0.794,0.804,0.799,0.764,0.688,0.717,0.802,0.695,0.808,
0.655,0.309,0.689,0.437,0.425,0.638,.659,0.449]
# uncertainty of dependent variables
uy = [1]*41
# Observed data of independent variable (input 1)
time = [120.0,60.0,60.0,120.0,120.0,60.0,60.0,30.0,15.0,60.0,
45.1,90.0,150.0,60.0,60.0,60.0,30.0,90.0,150.0,90.4,120.0,
60.0,60.0,60.0,60.0,60.0,60.0,30.0,45.1,30.0,30.0,45.0,15.0,30.0,90.0,25.0,
60.1,60.0,30.0,30.0,60.0]
# input 1 uncertainty
def __init__(self,symbols_y,symbols_x,symbols_param,PA=0.95,folder='Projeto',**kwargs):
u'''
Classe para executar a estimação de parâmetros de modelos MISO lineares nos parâmetros
======================
Bibliotecas requeridas
======================
* Numpy
* Scipy
* Matplotlib
* Math
* PSO - **Obtida no link http://github.com/ddss/PSO. Os códigos devem estar dentro de uma pasta de nome PSO**
=======================
Entradas (obrigatórias)
=======================
* ``symbols_y`` (list) : lista com os simbolos das variáveis y (Não podem haver caracteres especiais)
* ``symbols_x`` (list) : lista com os simbolos das variáveis x (Não podem haver caracteres especiais)
* ``symbols_param`` (list) : lista com o simbolos dos parâmetros (Não podem haver caracteres especiais)
====================
Entradas (opcionais)
====================
* ``PA`` (float): probabilidade de abrangência da análise. Deve estar entre 0 e 1. Default: 0.95
* ``folder`` (string): nome do projeto (Náo podem haver caracteres especiais)
**AVISO**:
* Para cálculo do coeficiente linear, basta que o número de parâmetros seja igual ao número de grandezas
independentes + 1.
==============================
Keywords (Entradas opcionais):
==============================
* ``names_x`` (list): lista com os nomes para x
* ``units_x`` (list): lista com as unidades para x (inclusive em formato LATEX)
* ``label_latex_x`` (list): lista com os símbolos das variáveis em formato LATEX
* ``names_y`` (list): lista com os nomes para y
* ``units_y`` (list): lista com as unidades para y (inclusive em formato LATEX)
* ``label_latex_y`` (list): lista com os símbolos das variáveis em formato LATEX
* ``names_param`` (list): lista com os nomes para os parâmetros (inclusive em formato LATEX)
* ``units_param`` (list): lista com as unidades para os parâmetros (inclusive em formato LATEX)
* ``label_latex_param`` (list): lista com os símbolos das variáveis em formato LATEX
* ``base_path`` (string): String que define o diretório pai que serão criados/salvos os arquivos gerados pelo motor de cálculo
=======
Métodos
=======
Para a realização da estimação de parâmetros de um certo modelo faz-se necessário executar \
alguns métodos, na ordem indicada:
**ESTIMAÇÂO DE PARÂMETROS**
* ``setConjunto`` : método para incluir dados obtidos de experimentos. Neste há a opção de determinar \
se estes dados serão utilizados como dados para estimar os parâmetros ou para validação. (Vide documentação do método)
* ``optimize`` : método para realizar a otimização, com base nos dados fornecidos em setConjunto.
* ``parametersUncertainty`` : método que avalia a incerteza dos parâmetros (Vide documentação do método)
* ``setConjunto`` : (é opcional para inclusão de dados de validação)
* ``Prediction`` : método que avalia a predição do modelo e sua incerteza ou utilizando os pontos experimentais ou de \
validação, se disponível (Vide documentação do método)
* ``residualAnalysis`` : método para executar a análise de resíduos (Vide documentação do método)
* ``plots`` : método para criação dos gráficos (Vide documentação do método)
* ``_armazenarDicionario`` : método que retorna as grandezas sob a forma de um dicionário (Vide documentação do método)
====================
Fluxo de trabalho
====================
Esta classe valida a correta ordem de execução dos métodos. É importante salientar que cada vez que o método ``setConjunto`` \
é utilizado, é criado um novo ``Fluxo de trabalho``, ou seja, o motor de cálculo valida de alguns métodos precisam ser reexecutados \
devido a entrada de novos dados.
**Observação 1**: Se forem adicionados diferentes dados de validação (execuções do método gerarEntradas para incluir tais dados), \
são iniciado novos fluxos, mas é mantido o histórico de toda execução.
**Observação 2**: Se forem adicionados novos dados experimentais, todo o histórico de fluxos é apagado e reniciado.
======
Saídas
======
As saídas deste motor de cálculo estão, principalmente, sob a forma de atributos e gráficos.
Os principais atributos de uma variável Estimacao, são:
* ``x`` : objeto Grandeza que contém todas as informações referentes às grandezas \
independentes sob a forma de atributos:
* ``estimação`` : referente aos dados experimentais. Principais atributos: ``matriz_estimativa``, ``matriz_covariancia``
* ``calculado`` : referente aos dados calculados pelo modelo. Principais atributos: ``matriz_estimativa``, ``matriz_covariancia``
* ``predição`` : referente aos dados de validação. Principais atributos: ``matriz_estimativa``, ``matriz_covariancia``
* ``residuos`` : referente aos resíduos de regressão. Principais atributos: ``matriz_estimativa``, ``estatisticas``
* ``y`` : objeto Grandeza que contém todas as informações referentes às grandezas \
dependentes sob a forma de atributos. Os atributos são os mesmos de x.
* ``parametros`` : objeto Grandeza que contém todas as informações referentes aos parâmetros sob a forma de atributos.
* ``estimativa`` : estimativa para os parâmetros
* ``matriz_covariancia`` : matriz de covariância
* ``regiao_abrangencia`` : pontos contidos na região de abrangência
Obs.: Para informações mais detalhadas, consultar os Atributos da classe Grandeza.
'''
# ---------------------------------------------------------------------
# INICIANDO A CLASSE INIT
# ---------------------------------------------------------------------
# For to start the class it's necessary to check wich is the most suitable model
if (len(symbols_param) == len(symbols_x) + 1):
# The the independent term will be calculated and Model_2 should be used
EstimacaoNaoLinear.__init__(self, Model_2, symbols_y, symbols_x, symbols_param, PA, folder, **kwargs)
else:
# The the independent term won't be calculated and Model_1 should be used
EstimacaoNaoLinear.__init__(self, Model_1, symbols_y, symbols_x, symbols_param, PA, folder, **kwargs)
self._EstimacaoNaoLinear__flag.ToggleActive('Linear') # Enable linear flag to correctly create 'self .__ values' when independent term calculation
self._EstimacaoNaoLinear__flag.setCaracteristica(['calc_termo_independente'])
# ---------------------------------------------------------------------
# VALIDAÇÃO
# ---------------------------------------------------------------------
if self.y.NV != 1:
raise ValueError(u'It is performing the parameter estimation of linear models only for the MISO case.')
if (self.parametros.NV != self.x.NV) and (self.parametros.NV != self.x.NV+1):
raise ValueError(u'The number of parameters must be equal to the number of independent quantities (the linear coefficient is not calculated).'+\
'OR equal to the number of independent quantities + 1 (the linear coefficient is calculated).')
self.__coluna_dumb = False # this variable indicates that a column of ones has been added to independent quantities
# ---------------------------------------------------------------------
# Definindo se o b será calculado
# ---------------------------------------------------------------------
if (self.parametros.NV == self.x.NV+1):
self._EstimacaoNaoLinear__flag.ToggleActive('calc_termo_independente')
self.__coluna_dumb = True