150 lines
3.9 KiB
Python
150 lines
3.9 KiB
Python
from Stochastisches_Modell import StochastischesModell
|
|
from Netzqualität_Genauigkeit import Genauigkeitsmaße
|
|
from Datumsfestlegung import Datumsfestlegung
|
|
import sympy as sp
|
|
import Export
|
|
|
|
|
|
def ausgleichung_global(
|
|
A: sp.Matrix,
|
|
dl: sp.Matrix,
|
|
Q_ll: sp.Matrix,
|
|
x0: sp.Matrix,
|
|
idx_X, idx_Y, idx_Z,
|
|
anschluss_indices,
|
|
anschluss_werte,
|
|
Sigma_AA,
|
|
):
|
|
# 1) Datumsfestlegung (weiches Datum) System erweitern
|
|
A_ext, dl_ext, Q_ext = Datumsfestlegung.weiches_datum(
|
|
A=A,
|
|
dl=dl,
|
|
Q_ll=Q_ll,
|
|
x0=x0,
|
|
anschluss_indices=anschluss_indices,
|
|
anschluss_werte=anschluss_werte,
|
|
Sigma_AA=Sigma_AA,
|
|
)
|
|
|
|
# 2) Gewichtsmatrix P
|
|
P = StochastischesModell.berechne_P(Q_ext)
|
|
|
|
# 3) Normalgleichungsmatrix N und Absolutgliedvektor n
|
|
N = A_ext.T * P * A_ext
|
|
n = A_ext.T * P * dl_ext
|
|
|
|
# 4) Zuschlagsvektor dx
|
|
dx = N.LUsolve(n)
|
|
|
|
# 5) Residuenvektor v
|
|
v = dl - A * dx
|
|
|
|
# 6) Kofaktormatrix der Unbekannten Q_xx
|
|
Q_xx = StochastischesModell.berechne_Q_xx(N)
|
|
|
|
# 7) Kofaktormatrix der Beobachtungen Q_ll_dach
|
|
Q_ll_dach = A * Q_xx * A.T
|
|
|
|
# 8) Kofaktormatrix der Verbesserungen Q_vv
|
|
Q_vv = StochastischesModell.berechne_Qvv(A, P, Q_xx)
|
|
|
|
# 9) Redundanzmatrix R und Redundanzanteile r
|
|
R = StochastischesModell.berechne_R(Q_vv, P) #Redundanzmatrix R
|
|
r = StochastischesModell.berechne_r(R) #Redundanzanteile als Vektor r
|
|
redundanzanteile = A.shape[0] - A.shape[1] #n-u+d
|
|
|
|
# 10) s0 a posteriori
|
|
soaposteriori = Genauigkeitsmaße.s0apost(v, P, redundanzanteile)
|
|
|
|
# 11) Ausgabe
|
|
dict_ausgleichung = {
|
|
"dx": dx,
|
|
"v": v,
|
|
"P": P,
|
|
"N": N,
|
|
"Q_xx": Q_xx,
|
|
"Q_ll_dach": Q_ll_dach,
|
|
"Q_vv": Q_vv,
|
|
"R": R,
|
|
"r": r,
|
|
"soaposteriori": soaposteriori,
|
|
}
|
|
|
|
Export.Export.ausgleichung_to_datei(r"Zwischenergebnisse\Ausgleichung_Iteration0.csv", dict_ausgleichung)
|
|
return dict_ausgleichung, dx
|
|
|
|
|
|
|
|
|
|
def ausgleichung_lokal(
|
|
A: sp.Matrix,
|
|
dl: sp.Matrix,
|
|
Q_ll: sp.Matrix,
|
|
x0: sp.Matrix,
|
|
idx_X, idx_Y, idx_Z,
|
|
aktive_unbekannte_indices,
|
|
mit_massstab: bool = True,
|
|
):
|
|
# 1) Gewichtsmatrix P
|
|
P = StochastischesModell.berechne_P(Q_ll)
|
|
|
|
# 2) Normalgleichungsmatrix N und Absolutgliedvektor n
|
|
N = A.T * P * A
|
|
n = A.T * P * dl
|
|
|
|
# 3) Datumsfestlegung (Teilspurminimierung)
|
|
G = Datumsfestlegung.raenderungsmatrix_G(x0, liste_punktnummern, mit_massstab=mit_massstab)
|
|
aktive = Datumsfestlegung.datumskomponenten(auswahl, liste_punktnummern)
|
|
E = Datumsfestlegung.auswahlmatrix_E(u=A.cols, aktive_unbekannte_indices=aktive)
|
|
Gi = E * G
|
|
|
|
# 4) Zuschlagsvektor dx
|
|
dx = Datumsfestlegung.berechne_dx_geraendert(N, n, Gi)
|
|
|
|
# 5) Residuenvektor v
|
|
v = dl - A * dx
|
|
|
|
# 6) Kofaktormatrix der Unbekannten Q_xx
|
|
N_inv = N.inv()
|
|
N_inv_G = N_inv * Gi
|
|
S = Gi.T * N_inv_G
|
|
S_inv = S.inv()
|
|
Q_xx = N_inv - N_inv_G * S_inv * N_inv_G.T
|
|
|
|
# 7) Kofaktormatrix der Beobachtungen Q_ll_dach
|
|
Q_lhat_lhat = A * Q_xx * A.T
|
|
|
|
# 8) Kofaktormatrix der Verbesserungen Q_vv
|
|
Q_vv = P.inv() - Q_lhat_lhat
|
|
|
|
# 9) Redundanzmatrix R, Redundanzanteile r, Redundanz
|
|
R = Q_vv * P
|
|
r_vec = sp.Matrix(R.diagonal())
|
|
n_beob = A.rows
|
|
u = A.cols
|
|
d = Gi.shape[1]
|
|
r_gesamt = n_beob - u + d
|
|
|
|
# 10) s0 a posteriori
|
|
sigma0_apost = Genauigkeitsmaße.s0apost(v, P, r_gesamt)
|
|
|
|
# 11) Ausgabe
|
|
dict_ausgleichung_lokal = {
|
|
"dx": dx,
|
|
"v": v,
|
|
"Q_ll": Q_ll,
|
|
"P": P,
|
|
"N": N,
|
|
"Q_xx": Q_xx,
|
|
"Q_lhat_lhat": Q_lhat_lhat,
|
|
"Q_vv": Q_vv,
|
|
"R": R,
|
|
"r": r_vec,
|
|
"r_gesamt": r_gesamt,
|
|
"sigma0_apost": sigma0_apost,
|
|
"G": G,
|
|
"Gi": Gi,
|
|
}
|
|
|
|
Export.Export.ausgleichung_to_datei(r"Zwischenergebnisse\Ausgleichung_Iteration0_lokal.csv", dict_ausgleichung_lokal)
|
|
return dict_ausgleichung_lokal, dx |