From d40dc9d4c5a2bfc35fb0daad64cd1b22f25a3746 Mon Sep 17 00:00:00 2001
From: Michelle Burfeind <michelle.burfeind@student.jade-hs.de>
Date: Thu, 11 Dec 2025 10:37:19 +0100
Subject: [PATCH] Pythonfiles

---
 Parameterschaetzung.py | 73 ++++++++++++++++++++++++++++--------------
 1 file changed, 49 insertions(+), 24 deletions(-)

diff --git a/Parameterschaetzung.py b/Parameterschaetzung.py
index a23acce..078c600 100644
--- a/Parameterschaetzung.py
+++ b/Parameterschaetzung.py
@@ -1,41 +1,66 @@
 from typing import Dict, Any
 import sympy as sp
+from Stochastisches_Modell import StochastischesModell
 
-def ausgleichung_mit_vks_iterativ(
+def iterative_ausgleichung(
     A: sp.Matrix,
     l: sp.Matrix,
     modell: StochastischesModell,
-    max_iter: int = 10,
+    max_iter: int = 100,
     tol: float = 1e-3,
 ) -> Dict[str, Any]:
-    """
-    Führt eine iterative Ausgleichung mit Varianzkomponentenschätzung durch.
 
-    Ablauf:
-      - starte mit σ0,g² aus modell.sigma0_groups (meist alle = 1.0)
-      - wiederhole:
-          * Ausgleichung
-          * VKS
-          * Aktualisierung σ0,g²
-        bis sich alle σ̂0,g² ~ 1.0 (oder max_iter erreicht).
-    """
-
-    history = []  # optional: Zwischenergebnisse speichern
+    ergebnisse_iter = []                                #Liste für Zwischenergebnisse
 
     for it in range(max_iter):
-        result = ausgleichung_einmal(A, l, modell)
-        history.append(result)
+        Q_ll, P = modell.berechne_Qll_P()               #Stochastisches Modell: Qll und P berechnen
 
-        sigma_hat = result["sigma_hat"]
+        N = A.T * P * A                                 #Normalgleichungsmatrix N
+        Q_xx = N.inv()                                  #Kofaktormatrix der Unbekannten Qxx
+        n = A.T * P * l                                 #Absolutgliedvektor n
 
-        # Prüfkriterium: alle σ̂ nahe bei 1.0?
-        if all(abs(val - 1.0) < tol for val in sigma_hat.values()):
-            print(f"Konvergenz nach {it+1} Iterationen.")
+        dx = N.LUsolve(n)                               #Zuschlagsvektor dx
+
+        v = l - A * dx                                  #Residuenvektor v
+
+        Q_vv = modell.berechne_Qvv(A, Q_ll, Q_xx)       #Kofaktormatrix der Verbesserungen Qvv
+        R = modell.berechne_R(Q_vv, P)                  #Redundanzmatrix R
+        r = modell.berechne_r(R)                        #Redundanzanteile als Vektor r
+
+        sigma_hat = modell.berechne_vks(v, P, r)        #Varianzkomponentenschätzung durchführen
+
+        ergebnisse_iter.append({                        #Zwischenergebnisse speichern in Liste
+            "iter": it + 1,
+            "Q_ll": Q_ll,
+            "P": P,
+            "N": N,
+            "Q_xx": Q_xx,
+            "dx": dx,
+            "v": v,
+            "Q_vv": Q_vv,
+            "R": R,
+            "r": r,
+            "sigma_hat": sigma_hat,
+            "sigma0_groups": dict(modell.sigma0_groups),
+        })
+
+        if all(abs(val - 1.0) < tol for val in sigma_hat.values()):         #Abbruchkriterium
+            print(f"Konvergenz nach {it + 1} Iterationen erreicht.")
             break
 
-        # sonst: Modell-σ0,g² mit VKS-Ergebnis updaten
         modell.update_sigma0_von_vks(sigma_hat)
 
-    # letztes Ergebnis + History zurückgeben
-    result["history"] = history
-    return result
\ No newline at end of file
+    return {
+        "dx": dx,
+        "v": v,
+        "Q_ll": Q_ll,
+        "P": P,
+        "N": N,
+        "Q_xx": Q_xx,
+        "Q_vv": Q_vv,
+        "R": R,
+        "r": r,
+        "sigma_hat": sigma_hat,
+        "sigma0_groups": dict(modell.sigma0_groups),
+        "history": ergebnisse_iter,
+    }
\ No newline at end of file