|
| |
|
|
Effects Of Apriory Given Homogenouscoordinates Nullspace Constraintson Slam Convergence
Klečka, Jan
The paper aims at the topic of SLAM (Simultaneous Localization and Mapping) algorithms convergence. Standard SLAM algorithms process observations composed of elements which are considered to be independent of each other. Following pages deals with changes that occur on convergence by the apriory assumption that some or all observation elements are bound by some mathematical model. In this case, the considered models are given by nullspace constraints in homogenous coordinates – in other words observed points lies on the same beforehand unknown line or plane. All described experiments are just simulations.
|
|
|
Optimalizace tvorby trénovacího a validačního datasetu pro zvýšení přesnosti klasifikace v dálkovém průzkumu Země
Potočná, Barbora ; Kupková, Lucie (vedoucí práce) ; Potůčková, Markéta (oponent)
Diplomová práce se zabývá optimalizací trénovacího a validačního datasetu pro řízenou klasifikaci dat v DPZ. V rámci řešení práce jsou v území lesně-luční krajiny v Podkrkonoší prováděny pro dva klasifikační algoritmy (Maximum Likelihood - MLC a Support Vector Machine - SVM) experimenty s trénovacími a validačními daty. Práce vychází z předpokladu, že pro dosažení maximální přesnosti klasifikace je ideální podíl 1/3 trénovacích a 2/3 validačních dat (Foody, 2009). Další hypotézou práce byl předpoklad, že v případě klasifikace pomocí algoritmu SVM je pro dosažení stejné/podobné přesnosti klasifikace potřeba nižší počet trénovacích bodů než v případě klasifikačního algoritmu Maximum Likelihood (Foody, 2004). Cílem práce bylo testovat vliv podílu/množství trénovacích a validačních dat na přesnost klasifikace multispektrálních dat senzoru Sentinel-2A s využitím algoritmu Maximum Likelihood. Nejvyšší celkové přesnosti při využití klasifikačního algoritmu Maximum Likelihood bylo dosaženo pro podíl 375 trénovacích a 625 validačních bodů. Celková přesnost pro tento podíl byla 72,88 %. Teorie Foodyho (2009), že pro dosažení nejvyšší přesnosti klasifikace je ideální podíl 1/3 trénovacích a 2/3 validačních dat potvrzují výsledky hodnocení celkové přesnosti a Kappa koeficientu pro Maximum Likelihood. Avšak...
|
|
|
Hodnocení krajinného pokryvu Vojenského újezdu Libavá s použitím klasifikátoru Random Forest
Žďánský, Vít ; Štych, Přemysl (vedoucí práce) ; Laštovička, Josef (oponent)
Data land cover nám pomáhají lépe pochopit krajinu, jak se vyvíjí, její využití a vliv lidské činnosti na ni. Díky novým metodám v oblasti DPZ jsme schopni tyto procesy zaznamenávat rychleji a v širším měřítku, než tomu bylo dříve. Tato práce se zabývá hodnocením přesností klasifikátorů Random Forest (RF) a Maximum Likelihood (ML) pomocí družicových dat Sentinel-2 v oblasti Vojenského újezdu Libavá. Právě vojenské újezdy prošly velmi specifickým vývojem a údaje o krajinném pokrytí chybí. Klasifikační legenda obsahuje 8 tříd. Výsledky klasifikace obou algoritmů jsou vyšší než 80 %. Lepších výsledků bylo dle očekávání dosaženo použitím klasifikátoru Random Forest. Nejpřesněji byly klasifikovány třídy vodních ploch a listnatých a jehličnatých lesů, nejhůře orná půda a řídká vegetace. Ostatní třídy se svou přesností odlišovaly. Výsledky práce jsou hodnoceny pomocí chybových matic, celkové přesnosti a kappa koeficientu. Klíčová slova: klasifikace, Random Forest, Maximum Likelihood, vojenský újezd, dálkový průzkum země, Sentinel 2, krajinné pokrytí, Libavá
|
|
|
Skórové testy v kontingenčních tabulkách
Jex, Martin ; Omelka, Marek (vedoucí práce) ; Kulich, Michal (oponent)
Bakalářská práce se zabývá testováním hypotéz v multinomickém rozdělení. Využívá dvou přístupů, Pearsonova přístupu známého jako test dobré shody a přístupu vycházejícího z teorie maximální věrohodnosti. V práci jsou odvozeny testy založené na maximální věrohodnosti. Oba přístupy jsou uplatněny na mul- tinomické rozdělení a to pro případ bez a s rušivými parametry. Také je uvedena souvislost obou přístupů. Dále jsou přístupy použity na reálná data k lepšímu pochopení probírané problematiky. 1
|
|
|
Klasifikace druhové skladby lesa pomocí dat Sentinel-2 a Landsat
Havelka, Ondřej ; Štych, Přemysl (vedoucí práce) ; Kupková, Lucie (oponent)
Hlavním cílem diplomové práce je zhodnocení využitelnosti vybraných klasifikačních algoritmů k rozlišení druhové skladby lesů na území Česka. Použitím družicových snímků Sentinel-2 a Landsat 8 je zkoumáno, zda lepší prostorové rozlišení ovlivní výslednou klasifikaci a zda díky technologickému pokroku lze docílit klasifikace lesních porostů na úrovni jednotlivých druhů. Základem každé řízené klasifikace je vhodně zvolený soubor trénovacích a kontrolních množin, který v předkládané práci vychází z polygonové vrstvy, popisující druhovou skladbu, jejímž autorem je Ústav pro hospodářskou úpravu lesů. Na základě rešerše aktuální odborné literatury jsou v předkládané práci použity klasifikační algoritmy Support Vector Machine, Neural Network a Maximum Likelihood. Je snahou jejich modifikacemi, které vychází z výsledků odborných prací, dosáhnout co nejvyšší klasifikační přesnosti. Veškeré výsledky jsou doplněny tabulkami, grafy a mapami, které uceleně a přehledně shrnou odpovědi na stanovené cíle předkládané práce.
|
|
|
Neúplné vzorky z Poissonova rozdělení
Zeman, Ondřej ; Dvořák, Jiří (vedoucí práce) ; Hlubinka, Daniel (oponent)
Tématem této práce je zkoumání neúplného vzorku z Poissonova rozdělení, což je část náhodného výběru z Poissonova rozdělení, ve které chybí nulová pozorování. Cílem je odhadnout velikost původního náhodného výběru a pa- rametr Poissonova rozdělení λ. V první kapitole se zaměřuji na odvození tří různých druhů bodových odhadů těchto parametrů a popisuji jejich základní vlastnosti. Druhá kapitola obsahuje simulace, ve kterých jsou odvozené od- hady porovnávány na základě odhadů relativního vychýlení a relativní střední čtvercové chyby. Nakonec jsem se v poslední kapitole věnoval asymptotickým vlastnostem těchto odhadů, kde jsem kladl důraz na odvození konzistence těchto odhadů. 1
|
|
|
Evaluation of methods and input data for land cover classification: case study of the former military areas Ralsko and Brdy
Paluba, Daniel ; Štych, Přemysl (vedoucí práce) ; Brom, Jakub (oponent)
Využitie dát diaľkového prieskumu Zeme (DPZ) na mapovanie krajinnej pokrývky upútalo pozornosť širokej škály vedeckých výskumníkov a praktikov v posledných desaťročiach. Vplyv na zvýšenie záujmu o DPZ malo hlavne otvorenie archívu dát družíc Landsat a Sentinel. Hlavným cieľom tejto štúdie je vyhodnotiť presnosť bežne využívaných algoritmov Maximum Likelihood (ML) a Support Vector Machine (SVM) nad voľne dostupnými dátami Landsat 8 a Sentinel-2 na príklade území bývalých vojenských obvodov Ralsko a Brdy, ktoré prešli špecifickým vývojom krajinnej pokrývky. Štúdia hodnotí krajinnú pokrývku v oboch záujmových územiach k roku 2016 a na základe dosiahnutých výsledkov poukazuje na použiteľnosť vybraných dát a metód. Dosiahnuté výsledky klasifikácií krajinnej pokrývky dosahovali uspokojivé výsledky - celkové presnosti boli vyššie ako 85 %. Na základe očakávania, algoritmus SVM celkovou presnosťou prekonal algoritmus ML. Najlepšie presnosti klasifikácie dosahovali triedy vodných plôch a ihličnatých lesov, naopak, najviac chýb generovali triedy zastavané plochy, riedka vegetácia a plochy bez vegetácie. Kľúčové slová: diaľkový prieskum Zeme, Support Vector Machine, Maximum Likelihood, Česko, Sentinel-2, Landsat 8
|
|
|
Vybrané problémy z teorie maximální věrohodnosti
Chlubnová, Tereza ; Hlubinka, Daniel (vedoucí práce) ; Hlávka, Zdeněk (oponent)
Metoda maximální věrohodnosti je jedna ze statistických metod na odhad neznámého parametru. Její časté použití je dáno nejen jednoduchým výpočtem, kterým získáme hledaný odhad, ale hlavně dobrými vlastnostmi tohoto odhadu, jenž nám metoda za určitých podmínek zaručuje. V práci dokážeme konzistenci odhadu při splnění podmínek regularity a jednoznačnosti kořene věrohodnostní rovnice, což potvrdí smysluplnost věrohodného odhadu. Po přidání dalších předpokladů ukážeme i jeho asymptotickou normalitu a tyto výsledky pro jednorozměrný parametr stručně rozšíříme i na vícerozměrný parametr. Hlavním výsledkem práce jsou cvičení, ve kterých nelze obecně vyjádřit maximálně věrohodný odhad, lze ale ukázat jeho existenci, jednoznačnost a asymptotickou normalitu. Navíc je načrtnuto využití asymptotické normality odhadu pro sestavování asymptotických testů hypotéz a intervalového odhadu parametru. Powered by TCPDF (www.tcpdf.org)
|
|
|
Bayesian and Maximum Likelihood Nonparametric Estimation in Monotone Aalen Model
Timková, Jana ; Volf, Petr (vedoucí práce) ; Kraus, David (oponent) ; Komárek, Arnošt (oponent)
Tato dizertační práce se zabývá vývojem metod v analýze přežití v rámci Aale- nova modelu za platnosti speciálních podmínek. Předpokládali jsme, že všechny re- gresní funkce a všechny pozorované proměnné jsou nezáporné. Tento typ modelu jsme nazvali monotonní Aalenův model. K odhadům regresních funkcí jsme použili metody založené na maximální věrohodnosti, konkrétně neparametrickou metodu maximální věrohodnosti, Bayesovskou analýzu s Beta procesy jako apriorními procesy pro ku- mulované regresní funkce a Bayesovskou analýzu s korelovanými apriorními procesy pro nekumulované regresní funkce.
|
host ::
RSS.