forked from pog2/python_estimation_PolInSAR
-
Notifications
You must be signed in to change notification settings - Fork 0
/
scripts_analyse_monte_carl.py
224 lines (192 loc) · 7.71 KB
/
scripts_analyse_monte_carl.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
# -*- coding: utf-8 -*-
""" Scripts d'analyse monte_carlo"""
import os
import basic_lib as bl
import estimation as e
import numpy as np
import load_param as lp
import plot_tomo as pt
import matplotlib.pyplot as plt
import RVoG_MB as mb
import pdb
import numpy.linalg as npl
import platform as ptm
import sys
def mc_J_J1_V(param,dict_simu,dirname):
"""Script pour effectuer une analyse montecarlo
des critères de vraissemb et J1 et J2 (cas scalaire)
**Entrées**
* *param* : jeu de paramètres RVoG
* *dict_simu* : dictionnaire contenant les paramètres de simulation
* *dict_simu['NbN']* : nombre de taille d'échantillon
* *dict_simu['Nmin']* : valeurs min de N
* *dict_simu['Nmax']* : valeurs max de N
* *dict_simu['P']* : nombre de realisations
* *dict_simu['UU0']* : initial guess pour mlogV_zg_known
* *dict_simu['U0']* : initial guess pour J_scal
* *dirname* : emplacement de sauvegarde
"""
#Calcul
mat_hvJ,mat_sigvJ,mat_gtJ,mat_bJ,\
mat_hvJ2,mat_sigvJ2,mat_gtJ2,mat_bJ2,\
mat_hvV,mat_sigvV,mat_gtV,\
mean_hvJ,mean_sigJ,mean_gtJ,mean_bJ,\
mean_hvJ2,mean_sigJ2,mean_gtJ2,mean_bJ2,\
mean_hvV,mean_sigV,mean_gtV,\
var_hvJ,var_sigJ,var_gtJ,var_bJ,\
var_hvJ2,var_sigJ2,var_gtJ2,var_bJ2,\
var_hvV,var_sigV,var_gtV,\
vec_N,P,mat_reu = e.monte_carl_estim_mlogV_zg_known_et_J_scal(param,dict_simu)
#pdb.set_trace()
#Calcul bcrhv associée
vec_bcr_hv=np.zeros(vec_N.size)
for idxN,N in enumerate(vec_N):
param.N=N
vec_bcr_hv[idxN] = mb.bcr_hv_mb_zg_connu(param)
if not os.path.exists(dirname):
os.makedirs(dirname)
#Save
bl.save_txt_param(param,dirname,)
bl.save_txt_simu(dict_simu,dirname)
#resultats
#J
np.save(dirname+'//'+'mat_hvJ',mat_hvJ)
np.save(dirname+'//'+'mat_sigvJ'+'.npy',mat_sigvJ)
np.save(dirname+'//'+'mat_gtJ'+'.npy',mat_gtJ)
np.save(dirname+'//'+'mat_bJ'+'.npy',mat_bJ)
#J2
np.save(dirname+'//'+'mat_hvJ2'+'.npy',mat_hvJ2)
np.save(dirname+'//'+'mat_sigvJ2'+'.npy',mat_sigvJ2)
np.save(dirname+'//'+'mat_gtJ2'+'.npy',mat_gtJ2)
np.save(dirname+'//'+'mat_bJ2'+'.npy',mat_bJ2)
#V
np.save(dirname+'//'+'mat_hvV'+'.npy',mat_hvV)
np.save(dirname+'//'+'mat_sigvV'+'.npy',mat_sigvV)
np.save(dirname+'//'+'mat_gtV'+'.npy',mat_gtV)
#moyennes
#J
np.save(dirname+'//'+'mean_hvJ'+'.npy',mean_hvJ)
np.save(dirname+'//'+'mean_sigJ'+'.npy',mean_sigJ)
np.save(dirname+'//'+'mean_gtJ'+'.npy',mean_gtJ)
np.save(dirname+'//'+'mean_bJ'+'.npy',mean_bJ)
#J2
np.save(dirname+'//'+'mean_hvJ2'+'.npy',mean_hvJ2)
np.save(dirname+'//'+'mean_sigJ2'+'.npy',mean_sigJ2)
np.save(dirname+'//'+'mean_gtJ2'+'.npy',mean_gtJ2)
np.save(dirname+'//'+'mean_bJ2'+'.npy',mean_bJ2)
#V
np.save(dirname+'//'+'mean_hvV'+'.npy',mean_hvV)
np.save(dirname+'//'+'mean_sigV'+'.npy',mean_sigV)
np.save(dirname+'//'+'mean_gtV'+'.npy',mean_gtV)
#Variances
#J
np.save(dirname+'//'+'var_hvJ'+'.npy',var_hvJ)
np.save(dirname+'//'+'var_sigJ'+'.npy',var_sigJ)
np.save(dirname+'//'+'var_gtJ'+'.npy',var_gtJ)
np.save(dirname+'//'+'var_bJ'+'.npy',var_bJ)
#J2
np.save(dirname+'//'+'var_hvJ2'+'.npy',var_hvJ2)
np.save(dirname+'//'+'var_sigJ2'+'.npy',var_sigJ2)
np.save(dirname+'//'+'var_gtJ2'+'.npy',var_gtJ2)
np.save(dirname+'//'+'var_bJ2'+'.npy',var_bJ2)
#V
np.save(dirname+'//'+'var_hvV'+'.npy',var_hvV)
np.save(dirname+'//'+'var_sigV'+'.npy',var_sigV)
np.save(dirname+'//'+'var_gtV'+'.npy',var_gtV)
#vec_N et P
np.save(dirname+'//'+'vec_N'+'.npy',vec_N)
np.save(dirname+'//'+'P'+'.npy',P)
#bcr
np.save(dirname+'//'+'vec_bcr_hv'+'.npy',vec_bcr_hv)
#reusiite
np.save(dirname+'//'+'mat_reu'+'.npy',mat_reu)
def mc_V_Tv_Tg_known(param,dict_simu,dirname):
"""Script pour effectuer une analyse montecarlo
de critère de vraissemb a Tv,Tg,zg connu
**Entrées**
* *param* : jeu de paramètres RVoG
* *dict_simu* : dictionnaire contenant les paramètres de simulation
* *dict_simu['NbN']* : nombre de taille d'échantillon
* *dict_simu['Nmin']* : valeurs min de N
* *dict_simu['Nmax']* : valeurs max de N
* *dict_simu['P']* : nombre de realisations
* *dict_simu['UU0']* : initial guess pour mlogV_zg_known
* *dict_simu['U0']* : initial guess pour J_scal
* *dirname* : emplacement de sauvegarde"""
#Calcul
mat_hvV,mat_sigvV,mat_gtV,\
mean_hvV,mean_sigV,mean_gtV,\
var_hvV,var_sigV,var_gtV,\
vec_N,P= e.monte_carl_estim_mlogV_Tv_Tg_zg_known(param,dict_simu)
#pdb.set_trace()
#Calcul bcrhv associée
vec_bcr_hv=np.zeros(vec_N.size)
for idxN,N in enumerate(vec_N):
param.N=N
vec_bcr_hv[idxN] = mb.bcr_hv_mb_Tv_Tg_zg_connu(param)
if not os.path.exists(dirname):
os.makedirs(dirname)
#Save
bl.save_txt_param(param,dirname,)
bl.save_txt_simu(dict_simu,dirname)
#resultats
#V
np.save(dirname+'//'+'mat_hvV'+'.npy',mat_hvV)
np.save(dirname+'//'+'mat_sigvV'+'.npy',mat_sigvV)
np.save(dirname+'//'+'mat_gtV'+'.npy',mat_gtV)
#moyennes
#V
np.save(dirname+'//'+'mean_hvV'+'.npy',mean_hvV)
np.save(dirname+'//'+'mean_sigV'+'.npy',mean_sigV)
np.save(dirname+'//'+'mean_gtV'+'.npy',mean_gtV)
#Variances
#V
np.save(dirname+'//'+'var_hvV'+'.npy',var_hvV)
np.save(dirname+'//'+'var_sigV'+'.npy',var_sigV)
np.save(dirname+'//'+'var_gtV'+'.npy',var_gtV)
#vec_N et P
np.save(dirname+'//'+'vec_N'+'.npy',vec_N)
np.save(dirname+'//'+'P'+'.npy',P)
#bcr
np.save(dirname+'//'+'vec_bcr_hv'+'.npy',vec_bcr_hv)
def showcurv(dirname,param):
ddata = bl.load_npy_data(dirname)
#histogramme
plt.figure();plt.hist(ddata['mat_hvV'][:,0]);plt.title('hvV')
#stdhvJ et stdhvV=f(N)
vec_N=ddata['vec_N']
#bcr hv
#vec_bcr_hv=ddata['vec_bcr_hv']
vec_bcr_hv=np.zeros(np.size(vec_N))
for idxN,N in enumerate(vec_N):
param.N=N
vec_bcr_hv[idxN] = mb.bcr_hv_mb_zg_connu(param)
std_hvJ2=np.sqrt(ddata['var_hvJ2'])
std_hvV = np.sqrt(ddata['var_hvV'])
P = ddata['P']
int_conf_stdJ2 = std_hvJ2*1/np.sqrt(2*P-1)
int_conf_stdV = std_hvV*1/np.sqrt(2*P-1)
Err=np.vstack((int_conf_stdJ2,int_conf_stdV))
Err=Err.T
Y=np.vstack((std_hvJ2,std_hvV))
Y=Y.T
pt.plot_err(vec_N,std_hvV,int_conf_stdV,Y_vrai=np.sqrt(vec_bcr_hv),xscale='log',yscale='log')
plt.title('std_hvV')
def show_var_curve(dirname,param):
"""Afficher les courbes std vs bcr sotckées dans dirname"""
ddata = bl.load_npy_data(dirname)
vec_N=ddata['vec_N']
vec_bcr_hv=ddata['vec_bcr_hv']
P = ddata['P']
std_hvV = np.sqrt(ddata['var_hvV'])
int_conf_stdV = std_hvV*1/np.sqrt(2*P-1)
pt.plot_err(vec_N,std_hvV,int_conf_stdV,Y_vrai=np.sqrt(vec_bcr_hv),xscale='log',yscale='log')
def show_biais_curve(dirname,param):
"""Afficher les courbes std vs bcr sotckées dans dirname"""
ddata = bl.load_npy_data(dirname)
vec_N=ddata['vec_N']
P = ddata['P']
std_hvV = np.sqrt(ddata['var_hvV'])
mean_hvV = ddata['mean_hvV']
int_conf_meanV = std_hvV*1/np.sqrt(P)
pt.plot_err(vec_N,mean_hvV-param.h_v,int_conf_meanV,Y_vrai=np.zeros(vec_N.size),xscale='log',yscale='linear')