220 lines
10 KiB
Python
220 lines
10 KiB
Python
import sympy as sp
|
||
import numpy as np
|
||
from dataclasses import dataclass, field
|
||
from typing import Dict, Tuple, Iterable
|
||
from Export import Export
|
||
from Datenbank import Datenbankzugriff
|
||
|
||
@dataclass
|
||
class StochastischesModell:
|
||
n_beob: int
|
||
sigma_beob: Iterable[float] =None #σ a priori der einzelnen Beobachtung
|
||
gruppe_beob: Iterable[int] =None #Gruppenzugehörigkeit jeder Beobachtung (Distanz, Richtung, GNSS, Nivellement,...,)
|
||
sigma0_gruppe: Dict[int, float] = field(default_factory=dict) #σ0² für jede Gruppe
|
||
|
||
|
||
def __post_init__(self):
|
||
# Defaults setzen
|
||
if self.sigma_beob is None:
|
||
self.sigma_beob = [1.0] * int(self.n_beob)
|
||
|
||
if self.gruppe_beob is None:
|
||
self.gruppe_beob = [1] * int(self.n_beob)
|
||
|
||
# In SymPy-Spaltenvektoren umwandeln
|
||
#self.sigma_beob = sp.Matrix(list(self.sigma_beob))
|
||
#self.gruppe_beob = sp.Matrix(list(self.gruppe_beob))
|
||
|
||
# Dimension prüfen
|
||
#if self.sigma_beob.rows != self.gruppe_beob.rows:
|
||
# raise ValueError("sigma_beob und gruppe_beob müssen gleich viele Einträge haben.")
|
||
|
||
#if self.sigma_beob.rows != int(self.n_beob):
|
||
# raise ValueError("n_beob passt nicht zur Länge von sigma_beob / gruppe_beob.")
|
||
|
||
# Fehlende Gruppen mit sigma0_sq = 1.0 ergänzen
|
||
#unique_groups = sorted({int(g) for g in self.gruppe_beob})
|
||
#for g in unique_groups:
|
||
# if g not in self.sigma0_gruppe:
|
||
# self.sigma0_gruppe[g] = 1.0
|
||
|
||
# In NumPy-Spaltenvektoren umwandeln
|
||
self.sigma_beob = np.asarray(list(self.sigma_beob), dtype=float).reshape(-1, 1)
|
||
self.gruppe_beob = np.asarray(list(self.gruppe_beob), dtype=int).reshape(-1, 1)
|
||
|
||
# Dimension prüfen
|
||
if self.sigma_beob.shape[0] != self.gruppe_beob.shape[0]:
|
||
raise ValueError("sigma_beob und gruppe_beob müssen gleich viele Einträge haben.")
|
||
|
||
if self.sigma_beob.shape[0] != int(self.n_beob):
|
||
raise ValueError("n_beob passt nicht zur Länge von sigma_beob / gruppe_beob.")
|
||
|
||
# Fehlende Gruppen mit sigma0_sq = 1.0 ergänzen
|
||
unique_groups = sorted({int(g) for g in self.gruppe_beob.flatten()})
|
||
for g in unique_groups:
|
||
if g not in self.sigma0_gruppe:
|
||
self.sigma0_gruppe[g] = 1.0
|
||
|
||
self.func_Qll_numerisch = None
|
||
self.liste_symbole_lambdify = None
|
||
|
||
|
||
#def berechne_Qll(self) -> Tuple[sp.Matrix, sp.Matrix]:
|
||
# n = self.n_beob
|
||
# Q_ll = sp.zeros(n, n)
|
||
# P = sp.zeros(n, n)
|
||
# for i in range(self.n_beob):
|
||
# sigma_i = self.sigma_beob[i, 0] #σ-Wert der i-ten Beobachtung holen
|
||
# g = int(self.gruppe_beob[i, 0]) #Gruppenzugehörigkeit der Beobachtung bestimmen
|
||
# sigma0_sq = self.sigma0_gruppe[g] #Den Varianzfaktor der Gruppe holen
|
||
# q_ii = sigma_i**2 #σ² berechnen
|
||
# Q_ll[i, i] = q_ii #Diagonale
|
||
# return Q_ll
|
||
|
||
def Qll_symbolisch(self, pfad_datenbank, liste_beobachtungen_symbolisch):
|
||
liste_standardabweichungen_symbole = []
|
||
liste_beobachtungen_symbolisch = [str(b) for b in liste_beobachtungen_symbolisch]
|
||
Qll = sp.zeros(len(liste_beobachtungen_symbolisch), len(liste_beobachtungen_symbolisch))
|
||
|
||
db_zugriff = Datenbankzugriff(pfad_datenbank)
|
||
dict_beobachtungenID_instrumenteID = db_zugriff.get_instrumenteID_beobachtungenID_dict()
|
||
|
||
for i, beobachtung_symbolisch_i in enumerate(liste_beobachtungen_symbolisch):
|
||
aufgeteilt_i = beobachtung_symbolisch_i.split("_")
|
||
beobachtungenID_i = int(aufgeteilt_i[0])
|
||
instrumenteID_i = dict_beobachtungenID_instrumenteID[beobachtungenID_i]
|
||
beobachtungsart_i = str(aufgeteilt_i[1])
|
||
|
||
if beobachtungsart_i == "SD":
|
||
stabw_apriori_konstant = sp.Symbol(f"stabw_apriori_konstant_{beobachtungsart_i}_{instrumenteID_i}")
|
||
stabw_apriori_streckenprop = sp.Symbol(f"stabw_apriori_streckenprop_{beobachtungsart_i}_{instrumenteID_i}")
|
||
tachymeter_distanz = sp.Symbol(f"SD_{beobachtungenID_i}")
|
||
|
||
sigma = sp.sqrt(stabw_apriori_konstant ** 2 + (stabw_apriori_streckenprop * tachymeter_distanz / 1000000) ** 2)
|
||
liste_standardabweichungen_symbole.append(sigma)
|
||
|
||
Qll[i, i] = sigma ** 2
|
||
|
||
elif beobachtungsart_i == "R" or beobachtungsart_i == "ZW":
|
||
stabw_apriori_konstant = sp.Symbol(f"stabw_apriori_konstant_{beobachtungsart_i}_{instrumenteID_i}")
|
||
|
||
stabw_apriori_konstant_distanz = sp.Symbol(f"stabw_apriori_konstant_SD_{instrumenteID_i}")
|
||
tachymeter_distanz = sp.Symbol(f"SD_{beobachtungenID_i}")
|
||
|
||
sigma = sp.sqrt(
|
||
stabw_apriori_konstant ** 2 + (stabw_apriori_konstant_distanz / tachymeter_distanz) ** 2)
|
||
liste_standardabweichungen_symbole.append(sigma)
|
||
|
||
Qll[i, i] = sigma ** 2
|
||
|
||
for j in range(i + 1, len(liste_beobachtungen_symbolisch)):
|
||
beobachtung_symbolisch_j = liste_beobachtungen_symbolisch[j]
|
||
aufgeteilt_j = beobachtung_symbolisch_j.split("_")
|
||
beobachtungsart_j = str(aufgeteilt_j[1])
|
||
|
||
if beobachtungsart_i == "SD" and beobachtungsart_j == "SD":
|
||
Qll[i, j] = 0
|
||
Qll[j, i] = 0
|
||
|
||
Export.matrix_to_csv(r"Zwischenergebnisse\Qll_Symbolisch.csv", liste_beobachtungen_symbolisch, liste_beobachtungen_symbolisch, Qll, "Qll")
|
||
return Qll
|
||
|
||
def Qll_numerisch(self, pfad_datenbank, Qll_Matrix_Symbolisch, liste_beobachtungen_symbolisch):
|
||
db_zugriff = Datenbankzugriff(pfad_datenbank)
|
||
dict_genauigkeiten = db_zugriff.get_genauigkeiten_dict()
|
||
dict_beobachtungenID_instrumenteID = db_zugriff.get_instrumenteID_beobachtungenID_dict()
|
||
|
||
liste_beobachtungen = db_zugriff.get_beobachtungen_from_beobachtungenid()
|
||
dict_beobachtungenID_distanz = {}
|
||
for standpunkt, zielpunkt, beobachtungenID, beobachtungsgruppeID, tachymeter_richtung, tachymeter_zenitwinkel, tachymeter_distanz in liste_beobachtungen:
|
||
dict_beobachtungenID_distanz[int(beobachtungenID)] = tachymeter_distanz
|
||
|
||
dict_genauigkeiten_neu = {}
|
||
for genauigkeitenID, eintrag in dict_genauigkeiten.items():
|
||
instrumenteID = int(eintrag[0])
|
||
beobachtungsart = str(eintrag[1])
|
||
stabw_apriori_konstant = eintrag[2]
|
||
stabw_apriori_streckenprop = eintrag[3]
|
||
dict_genauigkeiten_neu[(instrumenteID, beobachtungsart)] = (stabw_apriori_konstant,
|
||
stabw_apriori_streckenprop)
|
||
|
||
substitutionen = {}
|
||
|
||
dict_konstante_sd = {}
|
||
for (instrumenteID, beobachtungsart), (stabw_apriori_konstant,
|
||
stabw_apriori_streckenprop) in dict_genauigkeiten_neu.items():
|
||
if beobachtungsart == "Tachymeter_Strecke":
|
||
if stabw_apriori_konstant is not None:
|
||
dict_konstante_sd[instrumenteID] = float(stabw_apriori_konstant)
|
||
|
||
for (instrumenteID, beobachtungsart), (stabw_apriori_konstant,
|
||
stabw_apriori_streckenprop) in dict_genauigkeiten_neu.items():
|
||
|
||
if beobachtungsart == "Tachymeter_Strecke":
|
||
beobachtungsart_kurz = "SD"
|
||
elif beobachtungsart == "Tachymeter_Richtung":
|
||
beobachtungsart_kurz = "R"
|
||
elif beobachtungsart == "Tachymeter_Zenitwinkel":
|
||
beobachtungsart_kurz = "ZW"
|
||
|
||
|
||
if stabw_apriori_konstant is not None:
|
||
substitutionen[sp.Symbol(f"stabw_apriori_konstant_{beobachtungsart_kurz}_{instrumenteID}")] = float(stabw_apriori_konstant)
|
||
if stabw_apriori_streckenprop is not None:
|
||
substitutionen[sp.Symbol(f"stabw_apriori_streckenprop_{beobachtungsart_kurz}_{instrumenteID}")] = float(stabw_apriori_streckenprop)
|
||
|
||
for instrumenteID, wert in dict_konstante_sd.items():
|
||
substitutionen[sp.Symbol(f"stabw_apriori_konstant_SD_{instrumenteID}")] = float(wert)
|
||
|
||
liste_beobachtungen_symbolisch = [str(b) for b in liste_beobachtungen_symbolisch]
|
||
|
||
for beobachtung_symbolisch in liste_beobachtungen_symbolisch:
|
||
aufgeteilt = beobachtung_symbolisch.split("_")
|
||
beobachtungenID = int(aufgeteilt[0])
|
||
|
||
distanz = dict_beobachtungenID_distanz.get(beobachtungenID, None)
|
||
if distanz is not None:
|
||
substitutionen[sp.Symbol(f"SD_{beobachtungenID}")] = float(distanz)
|
||
|
||
#Qll_numerisch = Qll_Matrix_Symbolisch.xreplace(substitutionen)
|
||
if (self.func_Qll_numerisch is None) or (set(self.liste_symbole_lambdify) != set(substitutionen.keys())):
|
||
self.liste_symbole_lambdify = sorted(substitutionen.keys(), key=lambda s: str(s))
|
||
self.func_Qll_numerisch = sp.lambdify(
|
||
self.liste_symbole_lambdify,
|
||
Qll_Matrix_Symbolisch,
|
||
modules="numpy",
|
||
cse=True
|
||
)
|
||
|
||
liste_werte = [substitutionen[s] for s in self.liste_symbole_lambdify]
|
||
Qll_numerisch = np.asarray(self.func_Qll_numerisch(*liste_werte), dtype=float)
|
||
|
||
Export.matrix_to_csv(
|
||
r"Zwischenergebnisse\Qll_Numerisch.csv",
|
||
liste_beobachtungen_symbolisch,
|
||
liste_beobachtungen_symbolisch,
|
||
Qll_numerisch,
|
||
"Qll"
|
||
)
|
||
|
||
return Qll_numerisch
|
||
|
||
@staticmethod
|
||
def berechne_P(Q_ll):
|
||
return np.linalg.inv(Q_ll)
|
||
|
||
@staticmethod
|
||
def berechne_Q_xx(N):
|
||
if N.shape[0] != N.shape[1]:
|
||
raise ValueError("N muss eine quadratische Matrix sein")
|
||
return np.linalg.inv(N)
|
||
|
||
def berechne_Qvv(self, A, P, Q_xx):
|
||
Q_vv = np.linalg.inv(P) - A @ Q_xx @ A.T
|
||
return Q_vv
|
||
|
||
def berechne_R(self, Q_vv, P):
|
||
return Q_vv @ P #Redundanzmatrix
|
||
|
||
def berechne_r(self, R):
|
||
return np.diag(R).reshape(-1, 1) #Redundanzanteile |