public void IsDispersionLargerThanZero()
{
//Объявление параметров, которые поступают на вход маетодам экземплярам классов, которые проходят проверку.
int Rows = 3;
int Columns = 5000;
double A = 1.621;
double a = 0.542;
double alpha = 1.732;
double beta = 2.903;
double Sw = 1.973;
double tau = 0.01;
double ksi = 11.427;
double sigma = 3.464;
double teta = 0.286;
double fi = 4.414;
//Объявление экземпляра матрицы коваиаций.
Practice.Filter.Covariance TestMatrix = new Practice.Filter.Covariance(Rows, Columns, A, a, alpha, beta, Sw, tau, ksi, sigma, teta, fi);
TestMatrix.CalculateCovarianceMatrix();
//Объявление экземпляра формирующего фильтра и фильтрация.
Practice.Filter.FormingFilter TestFormingFilter = new Practice.Filter.FormingFilter(Rows, Columns, tau, ksi, sigma, teta, fi);
TestFormingFilter.Filter();
//Объявление экземпляра фильтра калмана и фильтрация.
Practice.Filter.KalmanFilter TestKalmanFilter = new Practice.Filter.KalmanFilter(Rows, Columns, TestFormingFilter.OutputSignal, TestMatrix);
TestKalmanFilter.Filter();
//Коэфициенты для которых считается дисперсия.
double[] factor = new double[3] {
0.2, 0.5, 0.8
};
for (int i = 0; i < 3; i++)
{
//Если дисперсия при всех коэффициентах положительна, то тест пройден.
//Дисперсия для формирующего фильтра.
Assert.IsFalse(Practice.StatisticalCharacteristics.Variance((byte)factor[i], TestFormingFilter.OutputSignal) < 0);
//Дисперсия для фильтра калмана.
Assert.IsFalse(Practice.StatisticalCharacteristics.Variance((byte)factor[i], TestKalmanFilter.E) < 0);
}
}
public void TestWrongInputData()
{
//Переменная, в которой отмечается, пройден ли тест.
//Тест содержит такие параметры, при которых программа упадет.
bool ItsOK = true;
//Объявление параметров, которые поступают на вход маетодам экземплярам классов, которые проходят проверку.
int Rows = -1;
int Columns = 5000;
double A = 1.621;
double a = 0.542;
double alpha = 1.732;
double beta = 2.903;
double Sw = 1.973;
double tau = 0.01;
double ksi = 11.427;
double sigma = 3.464;
double teta = 0.286;
double fi = 4.414;
//Объявление экземпляра формирующего фильтра.
Practice.Filter.FormingFilter TestFormingFilter = null;
//Попытка инициализации этого экземплряра и запуск метода с данными параметрами.
try
{
TestFormingFilter = new Practice.Filter.FormingFilter(Rows, Columns, tau, ksi, sigma, teta, fi);
TestFormingFilter.Filter();
}
catch (System.Exception e)
{
ItsOK = false;
}
//Объявление экземпляра матрицы коваиаций.
Practice.Filter.Covariance TestMatrix = null;
//Попытка инициализации этого экземплряра и запуск метода с данными параметрами.
try
{
TestMatrix = new Practice.Filter.Covariance(Rows, Columns, A, a, alpha, beta, Sw, tau, ksi, sigma, teta, fi);
TestMatrix.CalculateCovarianceMatrix();
}
catch (System.Exception e)
{
ItsOK = false;
}
//Объявление экземпляра фильтра калмана.
Practice.Filter.KalmanFilter TestKalmanFilter = null;
//Попытка инициализации этого экземплряра и запуск метода с данными параметрами.
try
{
TestKalmanFilter = new Practice.Filter.KalmanFilter(Rows, Columns, TestFormingFilter.OutputSignal, TestMatrix);
TestKalmanFilter.Filter();
}
catch (System.Exception e)
{
ItsOK = false;
}
//Если при данных параметрах во время создания экземпляра или в ходе работы метода будет ошибка, то тест будет пройден.
Assert.IsFalse(ItsOK);
}
public void CalculateCalmanFilter()
{
//Объявление параметров, для которых будет проверяться работа метода фильтра Калмана.
double tau = 0.01;
double teta = 0.286;
double sigma = 3.464;
double fi = 4.414;
double ksi = 11.427;
double Sv = 0;
int RowsCount = 3;
int ColumnsCount = 5000;
//Создаём нулевые массивы, в которые будем записывать аналитично посчитанные значения процесса после прохождения фильтрации.
double[] analyticallycalculateY1 = { 0, 0, 0, 0 };
double[] analyticallycalculateY2 = { 0, 0, 0, 0 };
//Создаём матрицу ковариаций(необходима для работы фильтра).
Practice.Filter.Covariance CM;
CM = new Practice.Filter.Covariance(3, 5000, 1.621, 0.542, 1.732, 2.903, 1.973, 0.01, 11.427, 3.464, 0.286, 4.414);
//Создаём случайный процесс и генерируем его.
Practice.Signal.NormalDistributionSignal InitialSignal = new Practice.Signal.NormalDistributionSignal(0, Math.PI * 2 * Sv / tau);
InitialSignal.GenerateSignal();
//Создаём формирующий фильтр и фильтруем сигнал(сигнал содержится в экземпляре фильтра).
Practice.Filter.FormingFilter FF = new Practice.Filter.FormingFilter(RowsCount, ColumnsCount, tau, ksi, sigma, teta, fi);
FF.Filter();
//Создаём фильтр калмана и фильтруем сигнал полученный в ходе работы формируюшего фильтра.
Practice.Filter.KalmanFilter KF = new Practice.Filter.KalmanFilter(RowsCount, ColumnsCount, FF.OutputSignal, CM);
KF.Filter();
//Точность значений.
int accuracy = 4;
//Проверяем 3 первых значения сигнала после фильтрации фильтром Калмана.
for (int i = 0; i < 3; i++)
{
//Считаем значения по разностным формулам.
analyticallycalculateY1[i + 1] = analyticallycalculateY1[i] + KF.CovMatr.tau *
(
analyticallycalculateY2[i] + KF.CovMatr.CovarianceMatrix[0][0, i] *
(
(FF.OutputSignal[0, i] + KF.Noize.SignalArray[i] - analyticallycalculateY1[i]) /
(2 * Math.PI * KF.CovMatr.factor[0] * KF.CovMatr.Sw)
)
);
//Считаем значения по разностным формулам.
analyticallycalculateY2[i + 1] = analyticallycalculateY2[i] + KF.CovMatr.tau *
(
KF.CovMatr.CovarianceMatrix[2][0, i] *
(FF.OutputSignal[0, i] + KF.Noize.SignalArray[i] - analyticallycalculateY1[i]) /
(2 * Math.PI * KF.CovMatr.factor[0] * KF.CovMatr.Sw) - KF.CovMatr.ksi * analyticallycalculateY1[i] -
KF.CovMatr.sigma * analyticallycalculateY2[i]
);
//Если значения не совпали с подсчитанными вручную, то тест не пройден.
Assert.IsFalse
(
Math.Round(KF.OutputSignal[0, i + 1], accuracy) != Math.Round(analyticallycalculateY1[i + 1], accuracy) ||
Math.Round(KF.Y2[0, i + 1], accuracy) != Math.Round(analyticallycalculateY2[i + 1], accuracy)
);
}
}
