|
|
Vodoznačení statických obrazů
Štágl, Luboš ; Zezula, Radek (oponent) ; Číka, Petr (vedoucí práce)
Tato diplomová práce se zabývá problematikou zabezpečení statických obrazových dat. Jde o přidání tajné informace (vodoznaku) do původního obrazu, tak aby nebylo možné vodoznak odstranit. Hlavním cílem této práce je realizovat dvě metody vodoznačení digitálních dat v programu Matlab. Jelikož je v dnešní době značné množství různých metod, byly vybrány pouze 2, a to metoda pro vkládání vodoznaku v jasové oblasti a ve frekvenční oblasti. Obě metody mají vodoznačit obraz způsobem, aby za prvé osoba jenž s obrazem pracuje nepoznala, že vizuální kvalita obrazu byla pozměněna a za druhé, vodoznačený obraz musí být co nejodolnější proti různým druhům útoků. Pro simulaci útoků byl vybrán program Checkmark.
|
|
|
Metody zvyšování rozlišení digitálních snímků
Franěk, Pavel ; Fedra, Petr (oponent) ; Mézl, Martin (vedoucí práce)
Cílem této bakalářské práce je se seznámit s metodami, které umožňují zvýšení rozlišení digitálních snímků. Také realizovat jednotlivé interpolační metody i Super-rozlišení pomocí programu Matlab a poukázání na zhodnocené výsledky. Diskutovat o možnostech použití metod Super-rozlišení pro obrazy s lékařských modalit.
|
|
|
Robust portfolio selection
Horváthová, Inés ; Červinka, Michal (vedoucí práce) ; Kraicová, Lucie (oponent)
V předložené práci budeme studovat optimalizaci portfolií pomocí " mean-risk" modelů. Nejdříve si obecně definujeme rizikové míry a dále uvedeme tři běžně užívané: rozptyl, Value-at-risk (VaR - " hodnota v riziku") a Conditional value-at-risk (CVaR - " podmíněná hodnota v riziku"). Pro každou z těchto rizikových měr formulujeme příslušné " mean-risk" modely. Dále ke každé z nich uvedeme robustní verzi. Nejvíce se budeme věnovat robustním verzím modelů s rozptylem jako mírou rizika, které následně aplikujeme na historická data, využitím volně dostupného statistického softwaru R. Nakonec porovnáme získané výsledky s klasickým nerobustním modelem mean-variance.
|
|
|
Metody zvyšování rozlišení digitálních snímků
Franěk, Pavel ; Fedra, Petr (oponent) ; Mézl, Martin (vedoucí práce)
Cílem této bakalářské práce je se seznámit s metodami, které umožňují zvýšení rozlišení digitálních snímků. Také realizovat jednotlivé interpolační metody i Super-rozlišení pomocí programu Matlab a poukázání na zhodnocené výsledky. Diskutovat o možnostech použití metod Super-rozlišení pro obrazy s lékařských modalit.
|
|
|
Vodoznačení statických obrazů
Štágl, Luboš ; Zezula, Radek (oponent) ; Číka, Petr (vedoucí práce)
Tato diplomová práce se zabývá problematikou zabezpečení statických obrazových dat. Jde o přidání tajné informace (vodoznaku) do původního obrazu, tak aby nebylo možné vodoznak odstranit. Hlavním cílem této práce je realizovat dvě metody vodoznačení digitálních dat v programu Matlab. Jelikož je v dnešní době značné množství různých metod, byly vybrány pouze 2, a to metoda pro vkládání vodoznaku v jasové oblasti a ve frekvenční oblasti. Obě metody mají vodoznačit obraz způsobem, aby za prvé osoba jenž s obrazem pracuje nepoznala, že vizuální kvalita obrazu byla pozměněna a za druhé, vodoznačený obraz musí být co nejodolnější proti různým druhům útoků. Pro simulaci útoků byl vybrán program Checkmark.
|
|
|
Robustní model optimalizace portfolia a jeho řešení
Löw, Alexandr ; Pelikán, Jan (vedoucí práce) ; Fábry, Jan (oponent)
Modely optimalizace portfolia si kladou za cíl optimálně rozložit kapitál mezi vybrané akci, dluhopisy a další cenné papíry a finanční produkty nabízené na kapitálových trzích. Důležitým faktorem při této optimalizaci je riziko, což je ze své podstaty velmi abstraktní pojem a je jen velice obtížně kvantifikovatelné. Robustní model optimalizace portfolia vychází z obecného robustního binárního modelu. Robustnost tohoto modelu spočívá v dvoufázové optimalizaci, kdy každé řešení podléhá maximalizaci ztráty a z těchto pesimistických odhadů je vybrán ten nejlepší podle kritéria uživatele, v našem případě celkového výnosu portfolia.
|
|
|
Bayesian vector auto-regression model with Laplace errors applied to financial market data
Šindelář, Jan
The article presents alternative version of Bayesian vector auto-regression model with Laplace distributed innovations. Bayesian estimation in such model is more computationally demanding than estimation in a model with normally distributed innovations, but because of the heavier tails of Laplace distribution, it is more robust. In the article I try to present the way of proceeding with the estimation, obtaining a full posterior distribution of the parameters as a result. At the end an efficient algorithm is sketched, but this part of the research is still unfinished.
|
host ::
RSS.