Push 05.02.2026
This commit is contained in:
@@ -1,25 +1,43 @@
|
||||
from Stochastisches_Modell import StochastischesModell
|
||||
from Netzqualität_Genauigkeit import Genauigkeitsmaße
|
||||
|
||||
from Datumsfestlegung import Datumsfestlegung
|
||||
import numpy as np
|
||||
import Export
|
||||
import importlib
|
||||
import Datenbank
|
||||
import importlib
|
||||
import Export
|
||||
from Export import Export as Exporter
|
||||
import Stochastisches_Modell
|
||||
import Funktionales_Modell
|
||||
import Koordinatentransformationen
|
||||
import Parameterschaetzung
|
||||
import Netzqualität_Genauigkeit
|
||||
import Datumsfestlegung
|
||||
import numpy as np
|
||||
import sympy as sp
|
||||
import pandas as pd
|
||||
|
||||
|
||||
def ausgleichung_global(A, dl, Q_ext, P):
|
||||
"""
|
||||
Führt eine Ausgleichung nach kleinsten Quadraten durch.
|
||||
|
||||
Aus der Designmatrix A, dem Verbesserungsvektor dl und der Gewichtsmatrix P wird das Normalgleichungssystem
|
||||
aufgestellt und gelöst. Anschließend werden Residuen sowie Kofaktor-Matrizen der Unbekannten und Beobachtungen berechnet.
|
||||
|
||||
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
|
||||
|
||||
:param A: Jacobi-Matrix (A-Matrix).
|
||||
:type A: array_like
|
||||
:param dl: Verbesserungsvektor bzw. Beobachtungsabweichungen.
|
||||
:type dl: array_like
|
||||
:param Q_ext: a-priori Kofaktormatrix der Beobachtungen.
|
||||
:type Q_ext: array_like
|
||||
:param P: Gewichtsmatrix der Beobachtungen.
|
||||
:type P: array_like
|
||||
: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.
|
||||
"""
|
||||
A=np.asarray(A, float)
|
||||
dl = np.asarray(dl, float).reshape(-1, 1)
|
||||
Q_ext = np.asarray(Q_ext, float)
|
||||
@@ -62,7 +80,7 @@ def ausgleichung_global(A, dl, Q_ext, P):
|
||||
|
||||
|
||||
|
||||
def ausgleichung_lokal1(A, dl, Q_ll):
|
||||
def ausgleichung_lokal(A, dl, Q_ll):
|
||||
A = np.asarray(A, dtype=float)
|
||||
dl = np.asarray(dl, dtype=float).reshape(-1, 1)
|
||||
Q_ll = np.asarray(Q_ll, dtype=float)
|
||||
@@ -110,175 +128,6 @@ def ausgleichung_lokal1(A, dl, Q_ll):
|
||||
return dict_ausgleichung, dx
|
||||
|
||||
|
||||
|
||||
def ausgleichung_lokal(
|
||||
A, dl, Q_ll,
|
||||
*,
|
||||
datumfestlegung="hart",
|
||||
x0=None,
|
||||
unbekannten_liste=None,
|
||||
liste_punktnummern=None,
|
||||
datenbank=None,
|
||||
mit_massstab=True
|
||||
):
|
||||
A = np.asarray(A, float)
|
||||
dl = np.asarray(dl, float).reshape(-1, 1)
|
||||
Q_ll = np.asarray(Q_ll, float)
|
||||
|
||||
# 1) Gewichtsmatrix
|
||||
P = np.linalg.inv(Q_ll)
|
||||
|
||||
# 2) Normalgleichungen
|
||||
N = A.T @ P @ A
|
||||
n = A.T @ P @ dl
|
||||
u = N.shape[0]
|
||||
|
||||
# 3) Datumsfestlegung
|
||||
if datumfestlegung == "weiche Lagerung":
|
||||
# hier wurde Q_ll bereits extern erweitert → ganz normal lösen
|
||||
dx = np.linalg.solve(N, n)
|
||||
|
||||
elif datumfestlegung == "gesamtspur":
|
||||
if x0 is None or unbekannten_liste is None or liste_punktnummern is None:
|
||||
raise ValueError("gesamtspur benötigt x0, unbekannten_liste, liste_punktnummern")
|
||||
|
||||
G = Datumsfestlegung.build_G_from_names(
|
||||
x0,
|
||||
unbekannten_liste,
|
||||
liste_punktnummern,
|
||||
mit_massstab=mit_massstab
|
||||
)
|
||||
dx, k = Datumsfestlegung.berechne_dx_geraendert(N, n, G)
|
||||
|
||||
elif datumfestlegung == "teilspur":
|
||||
if x0 is None or unbekannten_liste is None or liste_punktnummern is None or datenbank is None:
|
||||
raise ValueError("teilspur benötigt x0, unbekannten_liste, liste_punktnummern, datenbank")
|
||||
|
||||
# G über alle Punkte
|
||||
G = Datumsfestlegung.build_G_from_names(
|
||||
x0,
|
||||
unbekannten_liste,
|
||||
liste_punktnummern,
|
||||
mit_massstab=mit_massstab
|
||||
)
|
||||
|
||||
# Auswahl aus DB
|
||||
liste_datumskoordinaten = datenbank.get_datumskoordinate()
|
||||
if not liste_datumskoordinaten:
|
||||
raise ValueError("Teilspur gewählt, aber keine Datumskoordinaten in der DB gesetzt.")
|
||||
|
||||
aktive = Datumsfestlegung.aktive_indices_from_selection(
|
||||
[(s[1:], s[0]) for s in liste_datumskoordinaten],
|
||||
unbekannten_liste
|
||||
)
|
||||
|
||||
E = Datumsfestlegung.auswahlmatrix_E(u, aktive)
|
||||
Gi = E @ G
|
||||
|
||||
dx, k = Datumsfestlegung.berechne_dx_geraendert(N, n, Gi)
|
||||
|
||||
else:
|
||||
raise ValueError(f"Unbekannte Datumsfestlegung: {datumfestlegung}")
|
||||
|
||||
# 4) Residuen
|
||||
v = dl - A @ dx
|
||||
|
||||
# 5) Kofaktormatrix der Unbekannten
|
||||
Q_xx = StochastischesModell.berechne_Q_xx(N)
|
||||
|
||||
# 6) Kofaktormatrix der Beobachtungen
|
||||
Q_ll_dach = StochastischesModell.berechne_Q_ll_dach(A, Q_xx)
|
||||
|
||||
# 7) Kofaktormatrix der Verbesserungen
|
||||
Q_vv = StochastischesModell.berechne_Qvv(Q_ll, Q_ll_dach)
|
||||
|
||||
dict_ausgleichung = {
|
||||
"dx": dx,
|
||||
"v": v,
|
||||
"P": P,
|
||||
"N": N,
|
||||
"Q_xx": Q_xx,
|
||||
"Q_ll_dach": Q_ll_dach,
|
||||
"Q_vv": Q_vv,
|
||||
"Q_ll": Q_ll,
|
||||
}
|
||||
|
||||
return dict_ausgleichung, dx
|
||||
|
||||
|
||||
def ausgleichung_spurminimierung(A, dl, Q_ll, *, datumfestlegung, x0, unbekannten_liste, datenbank=None, mit_massstab=True):
|
||||
"""
|
||||
Freie Ausgleichung mit Gesamtspur- oder Teilspurminimierung.
|
||||
Rückgabe-Layout wie ausgleichung_global.
|
||||
"""
|
||||
A = np.asarray(A, float)
|
||||
dl = np.asarray(dl, float).reshape(-1, 1)
|
||||
Q_ll = np.asarray(Q_ll, float)
|
||||
|
||||
# 1) Gewichtsmatrix P
|
||||
P = StochastischesModell.berechne_P(Q_ll)
|
||||
|
||||
# 2) Normalgleichungen
|
||||
N = A.T @ P @ A
|
||||
n = A.T @ P @ dl
|
||||
|
||||
# 3) G über ALLE Punkte aus unbekannten_liste (automatisch)
|
||||
G = Datumsfestlegung.build_G_from_names(
|
||||
x0=x0,
|
||||
unbekannten_liste=unbekannten_liste,
|
||||
liste_punktnummern=None, # <- wichtig: auto
|
||||
mit_massstab=mit_massstab
|
||||
)
|
||||
|
||||
# 4) Gesamtspur / Teilspur
|
||||
if datumfestlegung == "gesamtspur":
|
||||
Gi = G
|
||||
k = None # wird unten überschrieben
|
||||
|
||||
elif datumfestlegung == "teilspur":
|
||||
if datenbank is None:
|
||||
raise ValueError("teilspur benötigt datenbank mit get_datumskoordinate()")
|
||||
liste_datumskoordinaten = datenbank.get_datumskoordinate()
|
||||
if not liste_datumskoordinaten:
|
||||
raise ValueError("Teilspur gewählt, aber keine Datumskoordinaten in der DB gesetzt.")
|
||||
|
||||
# ["X10034","Y10034"] -> [("10034","X"),("10034","Y")]
|
||||
auswahl = [(s[1:], s[0]) for s in liste_datumskoordinaten]
|
||||
aktive = Datumsfestlegung.aktive_indices_from_selection(auswahl, unbekannten_liste)
|
||||
|
||||
E = Datumsfestlegung.auswahlmatrix_E(N.shape[0], aktive)
|
||||
Gi = E @ G
|
||||
|
||||
else:
|
||||
raise ValueError("datumfestlegung muss 'gesamtspur' oder 'teilspur' sein")
|
||||
|
||||
# 5) Lösung per Ränderung + korrektes Q_xx
|
||||
dx, k, Q_xx = Datumsfestlegung.loese_geraendert_mit_Qxx(N, n, Gi)
|
||||
|
||||
# 6) Residuen (wie bei dir)
|
||||
v = A @ dx - dl
|
||||
|
||||
# 7) Kofaktormatrix der Beobachtungen
|
||||
Q_ll_dach = StochastischesModell.berechne_Q_ll_dach(A, Q_xx)
|
||||
|
||||
# 8) Kofaktormatrix der Verbesserungen
|
||||
Q_vv = StochastischesModell.berechne_Qvv(Q_ll, Q_ll_dach)
|
||||
|
||||
dict_ausgleichung = {
|
||||
"dx": dx,
|
||||
"v": v,
|
||||
"P": P,
|
||||
"N": N,
|
||||
"n": n,
|
||||
"k": k,
|
||||
"Q_xx": Q_xx,
|
||||
"Q_ll_dach": Q_ll_dach,
|
||||
"Q_vv": Q_vv,
|
||||
"Q_ll": Q_ll,
|
||||
"datumfestlegung": datumfestlegung,
|
||||
}
|
||||
return dict_ausgleichung, dx
|
||||
|
||||
class Iterationen:
|
||||
"""Iterative Ausgleichung auf Basis des funktionalen und stochastischen Modells.
|
||||
|
||||
|
||||
Reference in New Issue
Block a user