56 lines
1.8 KiB
Python
56 lines
1.8 KiB
Python
from typing import Dict, Any
|
|
import sympy as sp
|
|
from Stochastisches_Modell import StochastischesModell
|
|
|
|
def iterative_ausgleichung(
|
|
A: sp.Matrix,
|
|
dl: sp.Matrix,
|
|
modell: StochastischesModell,
|
|
) -> Dict[str, Any]:
|
|
|
|
ergebnisse_iter = [] #Liste für Zwischenergebnisse
|
|
|
|
for it in range(max_iter):
|
|
Q_ll, P = modell.berechne_Qll_P() #Stochastisches Modell: Qll und P berechnen
|
|
|
|
N = A.T * P * A #Normalgleichungsmatrix N
|
|
Q_xx = N.inv() #Kofaktormatrix der Unbekannten Qxx
|
|
n = A.T * P * dl #Absolutgliedvektor n
|
|
|
|
dx = N.LUsolve(n) #Zuschlagsvektor dx
|
|
|
|
v = dl - A * dx #Residuenvektor v
|
|
|
|
Q_vv = modell.berechne_Qvv(A, P, Q_xx) #Kofaktormatrix der Verbesserungen Qvv
|
|
R = modell.berechne_R(Q_vv, P) #Redundanzmatrix R
|
|
r = modell.berechne_r(R) #Redundanzanteile als Vektor r
|
|
|
|
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),
|
|
})
|
|
|
|
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,
|
|
} |