fertig

Parameterschaetzung.py

@@ -53,7 +53,8 @@ class Iterationen:
         self.fm = Funktionales_Modell.FunktionalesModell(self.pfad_datenbank, self.a, self.b, self.pfad_tif_quasigeoidundulation)
 
 
-    def ausgleichung_global(self, A, dl, Q_ext, P):
+
+    def ausgleichung_global(self, A: np.ndarray, dl: np.ndarray, Q_ext: np.ndarray, P: np.ndarray) -> tuple[dict[str, np.ndarray], np.ndarray]:
         """
         Führt eine Ausgleichung nach kleinsten Quadraten durch.
 
@@ -62,24 +63,23 @@ class Iterationen:
 
         Es werden folgende Berechnungsschitte durchgeführt:
 
-        1) Normalgleichungsmatrix N = Aᵀ · P · A und Absolutglied n = Aᵀ · P · dl
-        2) Lösung dx = N⁻¹ · n
-        3) Residuen v = A · dx − dl
-        4) Kofaktormatrix der Unbekannten Q_xx
-        5) Kofaktormatrix der ausgeglichenen Beobachtungen Q_ll_dach
-        6) Kofaktormatrix der Verbesserungen Q_vv
+        - Normalgleichungsmatrix N und Absolutgliedvektor n
+        - Zuschlagsvektor dx
+        - Residuenvektor v
+        - Kofaktormatrix der Unbekannten Q_xx
+        - Kofaktormatrix der ausgeglichenen Beobachtungen Q_ll_dach
+        - Kofaktormatrix der Verbesserungen Q_vv
 
         :param A: Jacobi-Matrix (A-Matrix).
-        :type A: array_like
+        :type A: np.ndarray
         :param dl: Verbesserungsvektor bzw. Beobachtungsabweichungen.
-        :type dl: array_like
+        :type dl: np.ndarray
         :param Q_ext: a-priori Kofaktormatrix der Beobachtungen.
-        :type Q_ext: array_like
+        :type Q_ext: np.ndarray
         :param P: Gewichtsmatrix der Beobachtungen.
-        :type P: array_like
+        :type P: np.ndarray
         :return: Dictionary mit Ausgleichungsergebnissen, Zuschlagsvektor dx.
-        :rtype: tuple[dict[str, Any], numpy.ndarray]
-        :raises numpy.linalg.LinAlgError: Wenn das Normalgleichungssystem singulär ist und nicht gelöst werden kann.
+        :rtype: tuple[dict[str, numpy.ndarray], np.ndarray]
         """
         A = np.asarray(A, float)
         dl = np.asarray(dl, float).reshape(-1, 1)