|
|
Vývoj a současný stav speciálních jednotek Záchranného útvaru HZS ČR
Šembera, Ondřej ; Fiala, Miloš (vedoucí práce) ; Vilášek, Josef (oponent)
Název: Vývoj a současný stav speciálních jednotek Záchranného útvaru HZS ČR. Cíl práce: Cílem této práce je získání detailního přehledu o vývoji a současném fungování Záchranného útvaru HZS ČR. Dalším cílem je analýza jednotlivých rot Záchranného útvaru HZS ČR se zaměřením na jejich pravidelnou odbornou přípravu, specializační kurzy, organizační strukturu, techniku, úkoly a působení včetně záchranných a likvidačních prací při mimořádných událostech od roku 2009 do současnosti. Metody: Teoretická část bude zpracována na základě studia tištěných a elektronických zdrojů týkajících se daného tématu. Zaměřena bude na historii a vývoj Záchranného útvaru HZS ČR, organizační strukturu, úkoly, zaměření a působnost, systém vzdělávání a techniku a to v takovém rozsahu, jež poskytne oporu pro praktickou část práce. Praktická část se bude zabývat analýzou vybraných záchranných rot a specializované roty Záchranného útvaru HZS ČR. Podrobně bude sledována jejich pravidelná odborná příprava, kdy podkladem budou dostupné interní a veřejné zdroje a východiska získaná v teoretické části. Organizační struktura bude ověřena místním šetřením a dotazováním a bude znázorněna v diagramu podle hierarchického uspořádání. Nejasnosti budou konzultovány s kompetentní osobou z velících míst Záchranného útvaru HZS ČR (metoda -...
|
|
|
Adaptive Blind Separation of Instantaneous Linear Mixtures of Independent Sources
Šembera, Ondřej ; Tichavský, Petr ; Koldovský, Zbyněk
In many applications, there is a need to blindly separate independent sources from their linear instantaneous mixtures while the mixing matrix or source properties are slowly or abruptly changing in time. The easiest way to separate the data is to consider off-line estimation of the model parameters repeatedly in time shifting window. Another popular method is the stochastic natural gradient algorithm, which relies on non-Gaussianity of the separated signals and is adaptive by its nature. In this paper, we propose an adaptive version of two blind source separation algorithms which exploit non-stationarity of the original signals. The results indicate that the proposed algorithms slightly outperform the natural gradient in the trade-off between the algorithm’s ability to quickly adapt to changes in the mixing matrix and the variance of the estimate when the mixing is stationary.
|
|
|
Speciální jednotky Záchranného útvaru Hasičského záchranného sboru ČR
Šembera, Ondřej ; Fiala, Miloš (vedoucí práce) ; Vilášek, Josef (oponent)
1 Abstrakt Název: Speciální jednotky Záchranného útvaru Hasičského záchranného sboru ČR. Cíl práce: Hlavním cílem je analýza jednotlivých rot Záchranného útvaru Hasičského záchranného sboru ČR se zaměřením na speciální jednotky. Porovnání statistik záchranných a likvidačních práci od počátku vzniku útvaru do současnosti. Metody: Vypracování rešerše z dostupných materiálů pro teoretickou část práce. Pro praktickou část využití statistik generálního ředitelství Hasičského záchranného sboru ČR. Výsledky: Na základě statistik má tento útvar přínos pro práci HZS ČR jak v záchranných a likvidačních prací, tak i z hlediska školícího centra. Klíčová slova: jednotky, hasiči, záchrana, likvidační práce.
|
|
|
Blind Separation of Mixtures of Piecewise AR(1) Processes and Model Mismatch
Tichavský, Petr ; Šembera, Ondřej ; Koldovský, Zbyněk
Modeling real-world acoustic signals and namely speech signals as piecewise stationary random processes is a possible approach to blind separation of linear mixtures of such signals. In this paper, the piecewise AR(1) modeling is studied and is compared to the more common piecewise AR(0) modeling, which is known under the names Block Gaussian SEParation (BGSEP) and Block Gaussian Likelihood (BGL). The separation based on the AR(0) modeling uses an approximate joint diagonalization (AJD) of covariance matrices of the mixture with lag 0, computed at epochs (intervals) of stationarity of the separated signals. The separation based on the AR(1) modeling uses the covariances of lag 0 and covariances of lag 1 jointly. For this model, we derive an approximate Cram´er-Rao lower bound on the separation accuracy for estimation based on the full set of the statistics (covariance matrices of lag 0 and lag 1) and covariance matrices with lag 0 only. The bounds show the condition when AR(1) modeling leads to significantly improved separation accuracy.
|
host ::
RSS.