-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy path.juliahistory
executable file
·520 lines (476 loc) · 56.6 KB
/
.juliahistory
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
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
<<<<<<< Updated upstream
=======
node.data["matrix"]
node .= ancestor
node =. ancestor
node
ancestor
node = getroot(tree)
node = getnodes(tree)[3]
ancestor=getancestors(tree, node)[1]
evol.u
evol.t
>>>>>>> Stashed changes
menura!(tree)
Sampling 0%| | ETA: N/ASampling 0%|▏ | ETA: 0:08:06Sampling 1%|▎ | ETA: 0:08:38Sampling 1%|▍ | ETA: 0:08:21Sampling 2%|▍ | ETA: 0:08:49Sampling 2%|▌ | ETA: 0:08:49Sampling 3%|▋ | ETA: 0:08:48Sampling 3%|▊ | ETA: 0:08:49Sampling 4%|▉ | ETA: 0:08:53Sampling 4%|█ | ETA: 0:09:01Sampling 5%|█ | ETA: 0:09:02Sampling 5%|█▏ | ETA: 0:09:02Sampling 6%|█▎ | ETA: 0:09:01Sampling 6%|█▍ | ETA: 0:09:12
i = testbranches[1]
length(u1)
u1
source("testJulia4.jl")
import("testJulia4.jl")
exit()
include("testJulia4.jl")
x0 = "a"
+ end
exampledat
exampledat
map(simulate(alpha1, mu1, sigma1), 1:10)
include("testJulia4.jl")
include("testJulia4.jl")
p1
p1
simulate(p1)
exampledat
exampledat
simulate(alpha1, mu1, sigma1)
exampledat
exampledat
Sampling 0%| | ETA: N/ASampling 0%|▎ | ETA: 1:08:54Sampling 1%|▍ | ETA: 1:18:18Sampling 1%|▋ | ETA: 1:24:24Sampling 2%|▊ | ETA: 1:27:44Sampling 2%|█ | ETA: 1:29:02Sampling 3%|████ | ETA: 1:30:12Sampling 3%|████▋ | ETA: 1:30:59Sampling 4%|█████▎ | ETA: 1:31:32Sampling 4%|██████ | ETA: 1:32:13Sampling 5%|██████▋ | ETA: 1:32:46Sampling 5%|███████▎ | ETA: 1:32:54Sampling 6%|████████ | ETA: 1:32:57Sampling 6%|████████▋ | ETA: 1:32:53Sampling 7%|█████████▎ | ETA: 1:32:35Sampling 7%|█████████▉ | ETA: 1:32:15Sampling 8%|██████████▋ | ETA: 1:32:04Sampling 8%|███████████▎ | ETA: 1:31:43Sampling 9%|███████████▉ | ETA: 1:31:25Sampling 9%|████████████▋ | ETA: 1:30:59Sampling 10%|█████████████▎ | ETA: 1:30:34Sampling 10%|█████████████▉ | ETA: 1:30:10Sampling 11%|██████████████▌ | ETA: 1:29:46Sampling 11%|███████████████▎ | ETA: 1:29:14Sampling 12%|███████████████▉ | ETA: 1:28:50Sampling 12%|████████████████▌ | ETA: 1:28:54Sampling 13%|█████████████████▎ | ETA: 1:28:42Sampling 13%|█████████████████▉ | ETA: 1:28:34Sampling 14%|██████████████████▌ | ETA: 1:28:25Sampling 14%|███████████████████▎ | ETA: 1:28:17Sampling 15%|███████████████████▉ | ETA: 1:28:15Sampling 15%|████████████████████▌ | ETA: 1:28:26Sampling 16%|█████████████████████▏ | ETA: 1:28:07Sampling 16%|█████████████████████▉ | ETA: 1:27:50Sampling 17%|██████████████████████▌ | ETA: 1:27:20Sampling 17%|███████████████████████▏ | ETA: 1:26:57Sampling 18%|███████████████████████▉ | ETA: 1:26:34Sampling 18%|████████████████████████▌ | ETA: 1:26:12Sampling 19%|█████████████████████████▏ | ETA: 1:25:44Sampling 19%|█████████████████████████▊ | ETA: 1:25:14Sampling 20%|██████████████████████████▌ | ETA: 1:24:46Sampling 20%|███████████████████████████▏ | ETA: 1:24:17Sampling 21%|███████████████████████████▊ | ETA: 1:23:49Sampling 21%|████████████████████████████▌ | ETA: 1:23:22Sampling 22%|█████████████████████████████▏ | ETA: 1:22:52Sampling 22%|█████████████████████████████▊ | ETA: 1:22:23Sampling 23%|██████████████████████████████▌ | ETA: 1:21:53Sampling 23%|███████████████████████████████▏ | ETA: 1:21:22Sampling 24%|███████████████████████████████▊ | ETA: 1:20:51Sampling 24%|████████████████████████████████▍ | ETA: 1:20:20Sampling 25%|█████████████████████████████████▏ | ETA: 1:19:53Sampling 25%|█████████████████████████████████▊ | ETA: 1:19:23Sampling 26%|██████████████████████████████████▍ | ETA: 1:18:52Sampling 26%|███████████████████████████████████▏ | ETA: 1:18:23Sampling 27%|███████████████████████████████████▊ | ETA: 1:17:52Sampling 27%|████████████████████████████████████▍ | ETA: 1:17:21Sampling 28%|█████████████████████████████████████ | ETA: 1:16:49Sampling 28%|█████████████████████████████████████▊ | ETA: 1:16:17Sampling 29%|██████████████████████████████████████▍ | ETA: 1:15:46Sampling 29%|███████████████████████████████████████ | ETA: 1:15:11Sampling 30%|███████████████████████████████████████▊ | ETA: 1:14:40Sampling 30%|████████████████████████████████████████▍ | ETA: 1:14:09Sampling 31%|█████████████████████████████████████████ | ETA: 1:13:37Sampling 31%|█████████████████████████████████████████▊ | ETA: 1:13:04Sampling 32%|██████████████████████████████████████████▍ | ETA: 1:12:31Sampling 32%|███████████████████████████████████████████ | ETA: 1:12:00Sampling 33%|███████████████████████████████████████████▋ | ETA: 1:11:29Sampling 33%|████████████████████████████████████████████▍ | ETA: 1:10:57Sampling 34%|█████████████████████████████████████████████ | ETA: 1:10:41Sampling 34%|█████████████████████████████████████████████▋ | ETA: 1:10:37Sampling 35%|██████████████████████████████████████████████▍ | ETA: 1:10:26Sampling 35%|███████████████████████████████████████████████ | ETA: 1:10:19Sampling 36%|███████████████████████████████████████████████▋ | ETA: 1:10:10Sampling 36%|████████████████████████████████████████████████▎ | ETA: 1:09:59Sampling 37%|█████████████████████████████████████████████████ | ETA: 1:09:46Sampling 37%|█████████████████████████████████████████████████▋ | ETA: 1:09:33Sampling 38%|██████████████████████████████████████████████████▎ | ETA: 1:09:22Sampling 38%|███████████████████████████████████████████████████ | ETA: 1:09:07Sampling 39%|███████████████████████████████████████████████████▋ | ETA: 1:08:49Sampling 39%|████████████████████████████████████████████████████▎ | ETA: 1:08:33Sampling 40%|█████████████████████████████████████████████████████ | ETA: 1:08:13Sampling 40%|█████████████████████████████████████████████████████▋ | ETA: 1:07:55Sampling 41%|██████████████████████████████████████████████████████▎ | ETA: 1:07:17Sampling 41%|██████████████████████████████████████████████████████▉ | ETA: 1:06:38Sampling 42%|███████████████████████████████████████████████████████▋ | ETA: 1:06:02Sampling 42%|████████████████████████████████████████████████████████▎ | ETA: 1:05:27Sampling 43%|████████████████████████████████████████████████████████▉ | ETA: 1:04:51Sampling 43%|█████████████████████████████████████████████████████████▋ | ETA: 1:04:20Sampling 44%|██████████████████████████████████████████████████████████▎ | ETA: 1:03:45Sampling 44%|██████████████████████████████████████████████████████████▉ | ETA: 1:03:11Sampling 45%|███████████████████████████████████████████████████████████▌ | ETA: 1:02:37Sampling 45%|████████████████████████████████████████████████████████████▎ | ETA: 1:02:03Sampling 46%|████████████████████████████████████████████████████████████▉ | ETA: 1:01:27Sampling 46%|█████████████████████████████████████████████████████████████▌ | ETA: 1:00:53Sampling 47%|██████████████████████████████████████████████████████████████▎ | ETA: 1:00:20Sampling 47%|██████████████████████████████████████████████████████████████▉ | ETA: 0:59:46Sampling 48%|███████████████████████████████████████████████████████████████▌ | ETA: 0:59:12Sampling 48%|████████████████████████████████████████████████████████████████▎ | ETA: 0:58:38Sampling 49%|████████████████████████████████████████████████████████████████▉ | ETA: 0:58:04Sampling 49%|█████████████████████████████████████████████████████████████████▌ | ETA: 0:57:29Sampling 50%|██████████████████████████████████████████████████████████████████▏ | ETA: 0:56:54Sampling 50%|██████████████████████████████████████████████████████████████████▉ | ETA: 0:56:21Sampling 51%|███████████████████████████████████████████████████████████████████▌ | ETA: 0:55:56Sampling 51%|████████████████████████████████████████████████████████████████████▏ | ETA: 0:55:32Sampling 52%|████████████████████████████████████████████████████████████████████▉ | ETA: 0:55:06Sampling 52%|█████████████████████████████████████████████████████████████████████▌ | ETA: 0:54:40Sampling 53%|██████████████████████████████████████████████████████████████████████▏ | ETA: 0:54:14Sampling 53%|██████████████████████████████████████████████████████████████████████▊ | ETA: 0:53:49Sampling 54%|███████████████████████████████████████████████████████████████████████▌ | ETA: 0:53:22Sampling 54%|████████████████████████████████████████████████████████████████████████▏ | ETA: 0:52:53Sampling 55%|████████████████████████████████████████████████████████████████████████▊ | ETA: 0:52:25Sampling 55%|█████████████████████████████████████████████████████████████████████████▌ | ETA: 0:51:57Sampling 56%|██████████████████████████████████████████████████████████████████████████▏ | ETA: 0:51:28Sampling 56%|██████████████████████████████████████████████████████████████████████████▊ | ETA: 0:51:00Sampling 57%|███████████████████████████████████████████████████████████████████████████▌ | ETA: 0:50:31Sampling 57%|████████████████████████████████████████████████████████████████████████████▏ | ETA: 0:50:02Sampling 58%|████████████████████████████████████████████████████████████████████████████▊ | ETA: 0:49:30Sampling 58%|█████████████████████████████████████████████████████████████████████████████▍ | ETA: 0:48:59Sampling 59%|██████████████████████████████████████████████████████████████████████████████▏ | ETA: 0:48:29Sampling 59%|██████████████████████████████████████████████████████████████████████████████▊ | ETA: 0:47:56Sampling 60%|███████████████████████████████████████████████████████████████████████████████▍ | ETA: 0:47:25Sampling 60%|████████████████████████████████████████████████████████████████████████████████▏ | ETA: 0:46:52Sampling 61%|████████████████████████████████████████████████████████████████████████████████▊ | ETA: 0:46:19Sampling 61%|█████████████████████████████████████████████████████████████████████████████████▍ | ETA: 0:45:41Sampling 62%|██████████████████████████████████████████████████████████████████████████████████ | ETA: 0:45:04Sampling 62%|██████████████████████████████████████████████████████████████████████████████████▊ | ETA: 0:44:27Sampling 63%|███████████████████████████████████████████████████████████████████████████████████▍ | ETA: 0:43:49Sampling 63%|████████████████████████████████████████████████████████████████████████████████████ | ETA: 0:43:13Sampling 64%|████████████████████████████████████████████████████████████████████████████████████▊ | ETA: 0:42:36Sampling 64%|█████████████████████████████████████████████████████████████████████████████████████▍ | ETA: 0:41:59Sampling 65%|██████████████████████████████████████████████████████████████████████████████████████ | ETA: 0:41:22Sampling 65%|██████████████████████████████████████████████████████████████████████████████████████▊ | ETA: 0:40:46Sampling 66%|███████████████████████████████████████████████████████████████████████████████████████▍ | ETA: 0:40:09Sampling 66%|████████████████████████████████████████████████████████████████████████████████████████ | ETA: 0:39:32Sampling 67%|████████████████████████████████████████████████████████████████████████████████████████▋ | ETA: 0:38:55Sampling 67%|█████████████████████████████████████████████████████████████████████████████████████████▍ | ETA: 0:38:19Sampling 68%|██████████████████████████████████████████████████████████████████████████████████████████ | ETA: 0:37:42Sampling 68%|██████████████████████████████████████████████████████████████████████████████████████████▋ | ETA: 0:37:07Sampling 69%|███████████████████████████████████████████████████████████████████████████████████████████▍ | ETA: 0:36:31Sampling 69%|████████████████████████████████████████████████████████████████████████████████████████████ | ETA: 0:35:55Sampling 70%|████████████████████████████████████████████████████████████████████████████████████████████▋ | ETA: 0:35:21Sampling 70%|█████████████████████████████████████████████████████████████████████████████████████████████▎ | ETA: 0:34:48Sampling 71%|██████████████████████████████████████████████████████████████████████████████████████████████ | ETA: 0:34:13Sampling 71%|██████████████████████████████████████████████████████████████████████████████████████████████▋ | ETA: 0:33:39Sampling 72%|███████████████████████████████████████████████████████████████████████████████████████████████▎ | ETA: 0:33:04Sampling 72%|████████████████████████████████████████████████████████████████████████████████████████████████ | ETA: 0:32:30Sampling 73%|████████████████████████████████████████████████████████████████████████████████████████████████▋ | ETA: 0:31:55Sampling 73%|█████████████████████████████████████████████████████████████████████████████████████████████████▎ | ETA: 0:31:21Sampling 74%|██████████████████████████████████████████████████████████████████████████████████████████████████ | ETA: 0:30:47Sampling 74%|██████████████████████████████████████████████████████████████████████████████████████████████████▋ | ETA: 0:30:12Sampling 75%|███████████████████████████████████████████████████████████████████████████████████████████████████▎ | ETA: 0:29:37Sampling 75%|███████████████████████████████████████████████████████████████████████████████████████████████████▉ | ETA: 0:29:02Sampling 76%|████████████████████████████████████████████████████████████████████████████████████████████████████▋ | ETA: 0:28:28Sampling 76%|█████████████████████████████████████████████████████████████████████████████████████████████████████▎ | ETA: 0:27:53Sampling 77%|█████████████████████████████████████████████████████████████████████████████████████████████████████▉ | ETA: 0:27:18Sampling 77%|██████████████████████████████████████████████████████████████████████████████████████████████████████▋ | ETA: 0:26:44Sampling 78%|███████████████████████████████████████████████████████████████████████████████████████████████████████▎ | ETA: 0:26:09Sampling 78%|███████████████████████████████████████████████████████████████████████████████████████████████████████▉ | ETA: 0:25:34Sampling 79%|████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | ETA: 0:24:59Sampling 79%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▎ | ETA: 0:24:23Sampling 80%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▉ | ETA: 0:23:48Sampling 80%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▌ | ETA: 0:23:12
tst = load_object("ABCResults.jld2")
plot(tst)
tst
exampledat
exampledat[2]
mu = mu1
sigma = sigma1
alpha=alpha1
gen_cov_mat(P0, p1, (0.0, 1.0))
gen_cov_mat(P0, p1, (0.0, 1.0))
gen_cov_mat(P0, p1, (0.0, 1.0))
gen_cov_mat(P0, p1, (0.0, 1.0))
gen_cov_mat(P0, p1, (0.0, 1.0))
gen_cov_mat(P0, p1, (0.0, 1.0))
gen_cov_mat(P0, p1, (0.0, 1.0))
gen_cov_mat(P0, p1, (0.0, 1.0))
@time gen_cov_mat(P0, p1, (0.0, 1.0))
@time gen_cov_mat(P0, p1, (0.0, 0.5))
fieldnames(typeof(tst))
tst
tst[1]
plot(tst[1])
plot(tst[2])
plot(tst[3])
plot(priordists)
plot(priordists)
plot(1:10000, tst[1])
tst[`]
gen_cov_mat(P0, p1, tspan)
u0 = gen_cov_mat(P0, p1, tspan)
u0 = gen_cov_mat(P0, p1, tspan)
tspan=(1, 2)
gen_cov_mat(P0, p, u0, tspan)
gen_cov_mat(P0, p1, u0, tspan)
tst
u0
mat = P0
skewsymm
gen_cov_mat(P0, p1, u0=skewsymm, tspan)
gen_cov_mat(P0, p1, tspan, u0=skewsymm)
gen_cov_mat(P0, p1, tspan, skewsymm)
tspan=(2,3)
gen_cov_mat(P0, p1, tspan, skewsymm)
gen_cov_mat(P0, p1, tspan, skewsymm)
tspan=(0,1)
gen_cov_mat(P0, p1, tspan)
gen_cov_mat(P0, p1, tspan)
pmat = gen_cov_mat(P0, p1, tspan)
tst = gen_cov_mat(pmat, p1, (1,2)))
tst = gen_cov_mat(pmat, p1, (1,2))
tst = gen_cov_mat(pmat, p1, (0,2))
eigen(tst)
tst = gen_cov_mat(pmat, p1, (1,2))
eigen(tst)
tst = gen_cov_mat(pmat, p1, (0, 2))
tst = gen_cov_mat(pmat, p1, (1.5, 2))
eigen(tst)
exampledat
tree
getleaves(tree)
tips = getleaves(tree)
tips[1].data["matrix"]
tips[2].data["matrix"]
tips[3].data["matrix"]
tips[4].data["matrix"]
tips[5].data["matrix"]
plot(tree)
@time tst = gen_cov_mat(pmat, p1, (1.5, 2))
@time tst = gen_cov_mat(pmat, p1, (1.5, 2))
@time tst = gen_cov_mat(pmat, p1, (1.5, 2))
@time tst = gen_cov_mat(pmat, p1, (1.5, 2))
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
eigen(tst)
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
eigen(tst)
@time tst = gen_cov_mat(tst, p1, (1.5, 2))
gen_cov_mat(tst, p1, (1.5, 2))
gen_cov_mat(tst, p1, (1.5, 2))
gen_cov_mat(tst, p1, (1.5, 1.999))
gen_cov_mat(tst, p1, (0, 1)
)
gen_cov_mat(tst, p1, (0, .0001)
)
gen_cov_mat(tst, p1, (0, 1.0)
)
gen_cov_mat(tst, p1, (0.5, 1.0))
gen_cov_mat(tst, p1, (0.5, 1.0))
gen_cov_mat(tst, p1, (0.5, 1.0))
gen_cov_mat(tst, p1, (0.5, 1.0))
gen_cov_mat(tst, p1, (0.5, 1.0))
gen_cov_mat(tst, p1, (0.5, 1.0))
gen_cov_mat(tst, p1, (0.5, 1.0))
gen_cov_mat(tst, p1, (0.5, 1.0))
gen_cov_mat(tst, p1, (0.5, 1.0))
cor(gen_cov_mat(tst, p1, (0.5, 1.0)))
cor(gen_cov_mat(tst, p1, (0.5, 1.0)))
gen_cov_mat(tst, p1, (0.5, 1.0))
gen_cov_mat(tst, p1, (0.0, 1.0))
gen_cov_mat(tst, p1, (0.0, 1.0))
gen_cov_mat(tst, p1, (0.0, 1.0))
gen_cov_mat(tst, p1, (0.0, 1.0))
gen_cov_mat(tst, p1, (0.0, 1.0))
gen_cov_mat(tst, p1, (0.0, 1.0))
gen_cov_mat(tst, p1, (0.0, 1.0))
p = p1
dt = 0.001
sol.u
gen_cov_mat(tst, p1, (0.0, 1.0))
gen_cov_mat(tst, p1, (0.0, 1.0))
gen_cov_mat(tst, p1, (0.0, 1.0))
gen_cov_mat(tst, p1, (0.0, 1.0))
gen_cov_mat(tst, p1, (0.0, 1.0))
eigen(gen_cov_mat(tst, p1, (0.0, 1.0)))
exampledat
exampledat
exampledat
exampledat[2]
skewsymm * skewsymm
P0
mat
skewsymm
eigen(skewsymm)
skewsymm
skewsymm^2
eigen(skewsymm^2)
eigen(-skewsymm^2)
skewsymm
Diagonal(skewsymm) = 1:4
skewsymm
Diagonal(4) .* Diagonal(mat)
mat
Diagonal(4)
Diagonal(mat)
Diagonal(mat)/2
mat
tst = Diagonal(mat)/2
lowertri+uppertri + tst
tst2 = lowertri+uppertri + tst
tst2 ^ 2
tst2 + tst2
mat
?exp
mat * exp(mat)
exit()
A
dW
P[:, :, 1,1]
P[:, :, 1,1]
A
mat
P0
mat = P0
dW
mat=P0
a=a1
b=b1
dt=0.001
Omega1
)
prob = SDEProblem(drift, diffusion, u0, tspan, p=pp, noise=W,
noise_rate_prototype=zeros(size(mat))); ## setup SDE problem 4 traits
sol = solve(prob, EM(), p=pp, dt=dt);
mat = P0
exit()
exampledat = simulate((alpha1, mu1, sigma1));
eigen(P0)
cor(P0)
eigen(P0)
cor(P0)
diagonal(4)
Diagonal(5)
Diag(3)
Diagonal(3)
Diagonal(4,4)
cor(P0)
exit()
exit()
exit()
exit()
exit()
randn(4)
rep(1.0, 3)
eigen(P0)
exampledat
exit()
mu1
repeat([0.0], 8)
p
p1
mu = mu1
mu1
uu1
x0
exit()
exit()
exit()
exit()
<<<<<<< HEAD
=======
exampledat
using PyPlots
>>>>>>> main
exit()
import Pkg; Pkg.add("DifferentialEquations")
import Pkg; Pkg.add("Phylo")
import Pkg; Pkg.add("Plots")
import Pkg; Pkg.add("Distributions")
import Pkg; Pkg.add("Distances")
import Pkg; Pkg.add("JDL2")
import Pkg; Pkg.add("JLD2")
import Pkg; Pkg.add("LinearAlgebra")
import Pkg; Pkg.add("GpABC")
import Pkg; Pkg.add("PyPlot")
end
current()
exit()
<<<<<<< HEAD
exit()
=======
using DifferentialEquations, Phylo, Plots, Distributions, Distances, JLD2, LinearAlgebra, GpABC;
pyplot();
#####################################################################################
#####################################################################################
function menura!(tree)
function diffusion(x0, tspan, p, mat, dt=0.001)
function drift(du, u, p, t)
alpha = p.alpha;
mu = p.mu;
## du .= alpha .* u would be BM with drift
du .= alpha .* (mu .- u); ## OU-like
end; # drift
function diff(du, u, p, t)
sigma = p.sigma;
du .= sigma; ## would be OU
## du .= sqrt.(u) .* sigma ## Cox-Ingersoll-Ross Gamma model
## du .= sqrt.(abs.(u .* (ones(length(sigma)) .- u))) .* sigma ## Beta model
end; # diff
cor1 = cor(mat);
noise = CorrelatedWienerProcess(cor1, tspan[1],
zeros(dim(cor1)),
zeros(dim(cor1)));
prob = SDEProblem(drift, diff, x0, tspan, p=p, noise=noise);
solve(prob, EM(), dt=dt, p=p, adaptive=false);
end; # diffusion
################################################################################
function Recurse!(tree, node, t0 = 0.0)
if ismissing(node.inbound) ## the root node, to get started
node.data["trace"]= [x0];
node.data["timebase"] = [t0];
else
ancestor = getancestors(tree, node)[1];
evol = diffusion(ancestor.data["trace"][end],
(getheight(tree, ancestor), getheight(tree, node)),
ancestor.data["parameters"], ancestor.data["matrix"]);
node.data["trace"] = evol.u;
node.data["timebase"] = evol.t;
end # else
if !isleaf(tree, node)
Recurse!(tree, node.other[1].inout[2]);
Recurse!(tree, node.other[2].inout[2]);
end
end # Recurse!
root = getroot(tree);
Recurse!(tree, root); # do the recursive simulations
tree;
end # menura!
###############################################################################
################################################################################
function menuramat!(tree) ## Only call after putp!
function Recurse!(tree, node)
if ismissing(node.inbound) ## if root
node.data["matrix"] = node.data["parameters"].mat; ## starting matrix
else
ancestor = getancestors(tree, node)[1];
node.data["matrix"] =
gen_cov_mat(ancestor.data["matrix"],
ancestor.data["parameters"],
(getheight(tree, ancestor),
getheight(tree, node)));
end;
if !isleaf(tree, node)
Recurse!(tree, node.other[1].inout[2]);
Recurse!(tree, node.other[2].inout[2]);
end;
end; # Recurse!
root = getroot(tree);
Recurse!(tree, root); # do the recursive simulations
tree;
end; # menuramat!
############################################################################33
#############################################################################
function predictTraitTree(tree)
#### get the last multivariate trait value in a branch
testtips = getleaves(tree);
res = Array{Vector{Float64}}(undef, length(testtips));
tipnames = Array{String}(undef, length(testtips));
tiptimes = Vector{Float64}();
## finaltraitvals = Dict();
## tiptimesdict = Dict();
for i in 1:length(testtips) ## could maybe use heightstoroot() for this computation
res[i] = testtips[i].data["trace"][end];
tipnames[i] = testtips[i].name;
push!(tiptimes, getheight(tree, testtips[i]));
end;
collect(Iterators.flatten(res))
end # predictTraitTree
##########################################################################33
###########################################################################3
function putp!(tree, p1, key)
for i in 1:length(tree.nodes)
tree.nodes[i].data[key] = p1;
end
tree;
end # putp!
####################################################################33
######################################################################3
function gen_cov_mat(mat, p, tspan, u0=zeros(size(mat)), dt = 0.001)
function drift(du, u, p, t) ## drift function for the SDE
du .= p.a .* t .* p.A;
end # drift
function diffusion(du, u, p, t) ## diffusion function for the SDE
du .= p.b .* t .* p.B ;
end # diffusion
lowertri = LowerTriangular(mat);
uppertri = - UpperTriangular(mat);
skewsymm = lowertri + uppertri;
W = WienerProcess(0.0, 0.0, 0.0);
pp = (A=skewsymm, B=skewsymm, a=p.a, b=p.b); ## skew symmetric matrices not necessarily the same.
prob = SDEProblem(drift, diffusion, u0, tspan, p=pp, noise=W,
noise_rate_prototype=zeros(size(mat))); ## setup SDE problem
sol = solve(prob, EM(), p=pp, dt=dt);
Omega1 = exp(last(sol.u)); ## get the final matrix
Omega1 * mat * Omega1'; ## reconstruct P_1
end # gen_cov_mat
######################################################################3
##################################################################3n
a1=1.0;
b1= 1.0;
x0 = repeat([0.0], 8);
tree1 = Ultrametric(20);
tree = rand(tree1);
time_tot = 1.0;
tspan = (0.0, time_tot);
P0 = [0.329 0.094 -0.083 -0.089 0.293 0.079 0.208 0.268;
0.094 0.449 0.349 0.24 0.071 0.075 0.03 0.009;
-0.083 0.349 1.426 0.487 -0.371 -0.098 -0.053 -0.172;
-0.089 0.24 0.487 0.546 -0.168 0.017 -0.051 -0.081;
0.293 0.071 -0.371 -0.168 1.441 1.008 0.904 0.945;
0.079 0.075 -0.098 0.017 1.008 1.087 0.731 0.78;
0.208 0.03 -0.053 -0.051 0.904 0.731 0.809 0.783;
0.268 0.009 -0.172 -0.081 0.945 0.78 0.783 0.949];
alpha1 = repeat([1.0], 8);
mu1 = repeat([0.0], 8); ## randn(8); ## Start at the trait means
sigma1 = repeat([1.0], 8);
function simulate(tree, alpha=alpha1, sigma=sigma1, mu=mu1, mat=P0, a=a1, b=b1)
p1 = (alpha=alpha, mu=mu, sigma=sigma, mat=P0, a=a, b=b);
putp!(tree, p1, "parameters");
menuramat!(tree);
menura!(tree);
(tree, predictTraitTree(tree));
end; # simulate
exampledat = simulate(tree, alpha1, sigma1, mu1);
plot(tree,
size = (400, 800),
## markersize = 20,
series_annotations = text.(1:nnodes(tree), 15, :center, :center,
:white), linewidth=5, showtips=false)
current()
testnodes = getnodes(exampledat[1]);
plot(xlim = (0.0,1.0), ylim = (-2.0, 2.0), zlim=(-2.0, 2.0),
legend=nothing,
reuse=false)
for i in testnodes
u1= i.data["trace"];
uu1 = transpose(reshape(collect(Iterators.flatten(u1)), 8, length(u1)));
myt = i.data["timebase"];
plot!(myt, uu1[:, 1], uu1[:,3]);
end; # for
current()
plot(xlim=(0.0,1.0), ylim= (-2.0, 2.0), legend=nothing, reuse=false)
for i in testnodes
u1= i.data["trace"];
uu1 = transpose(reshape(collect(Iterators.flatten(u1)), 8, length(u1)));
myt = i.data["timebase"];
plot!(myt, uu1[:, 3]);
end; # for
current()
plot(ylim=(-2.0, 2.0), xlim= (-2.0, 2.0), legend=nothing, reuse=false)
for i in testnodes
u1= i.data["trace"];
uu1 = transpose(reshape(collect(Iterators.flatten(u1)), 8, length(u1)));
plot!(uu1[:,1], uu1[:, 3]);
end;
current()
plot(xlim=(-2.0,2.0), ylim= (-2.0, 2.0), zlim=(-2.0, 2.0), legend=nothing,
reuse=false)
for i in testnodes
u1= i.data["trace"];
uu1 = transpose(reshape(collect(Iterators.flatten(u1)), 8, length(u1)));
myt = i.data["timebase"];
plot!(uu1[:,3], uu1[:, 1], uu1[:,2]);
end;
current()
using DifferentialEquations, Phylo, Plots, Distributions, Distances, JLD2, LinearAlgebra, GpABC;
pyplot();
<<<<<<< Updated upstream
>>>>>>> main
+ )
)
exit()
exit()
exit()
exit()
exit()
include("testJulia4.jl")
list()
list.files()
=======
?import
getwd()
include("testjulia4.jl")
include("testJulia4.jl")
>>>>>>> Stashed changes
exit()