|
|
Some Robust Distances for Multivariate Data
Kalina, Jan ; Peštová, Barbora
Numerous methods of multivariate statistics and data mining suffer from the presence of outlying measurements in the data. This paper presents new distance measures suitable for continuous data. First, we consider a Mahalanobis distance suitable for high-dimensional data with the number of variables (largely) exceeding the number of observations. We propose its doubly regularized version, which combines a regularization of the covariance matrix with replacing the means of multivariate data by their regularized counterparts. We formulate explicit expressions for some versions of the regularization of the means, which can be interpreted as a denoising (i.e. robust version) of standard means. Further, we propose a robust cosine similarity measure, which is based on implicit weighting of individual observations. We derive properties of the newly proposed robust cosine similarity, which includes a proof of the high robustness in terms of the breakdown point.
|
|
|
Vývoj i-CT frameworku a jeho aplikace pro komunikaci typu ANO/NE
Kalina, Jan ; Kočí, Radek (oponent) ; Fiala, Jiří (vedoucí práce)
Tato diplomová práce se zabývá problematikou vývoje aplikací pro alternativní a augmentativní komunikaci (AAK) v prostředí speciálního vzdělávání mentálně postižených žáků s poruchami komunikace. Představuje současné problémy vývoje aplikací a navazuje na návrhové principy projektu Počítačové terapie, jejichž dodržení při návrhu a implementaci aplikací by mělo současným problémům zabránit. Cílem práce je vytvoření aplikace pro AAK typu ANO/NE a i-CT frameworku - rámce zjednodušujícího tvorbu dalších podobných aplikací pro uvedené prostředí. Obě části práce jsou funkční na systémech iOS a Android a byly otestovány v prostředí osob s mentálním hendikepem.
|
|
|
Vývoj pokročilých zdicích prvků pro nízkoenergetické a pasivní stavby
Kalina, Jan ; Stančík,, Hynek (oponent) ; Zach, Jiří (vedoucí práce)
Diplomová práce se zabývá problematikou dalšího možného využití PUR pěny ve stavebnictví, především při výstavbě zděných konstrukcí s integrovanou tepelnou izolací u nízkoenergetických a pasivních staveb. V praktické části diplomové práce je popsána samotná výroba zkušebních vzorků vybraných PUR pěn a zkoušky, které se na vzorcích provedly. Cílem bylo vybrat PUR pěnu s nejlepšími vlastnostmi, která by se hodila jako integrovaná tepelná izolace do zděných konstrukcí. V závěru práce byla vybrána nejlepší pěna. Pomocí této pěny byly zhotoveny fragmenty zdiva, na kterých byly provedeny statické zkoušky.
|
|
|
Centralizace správy bezpečnostních politik v Javě
Kalina, Jan ; Rogalewicz, Adam (oponent) ; Letko, Zdeněk (vedoucí práce)
WildFly je platformou pro distribuované prostředí splňující specifikaci Java Enterprise Edition. Tato práce se zabývá možnostmi centrální správy bezpečnostních politik v tomto prostředí. Bezpečnostní politika je sada oprávnění, na které virtuální stroje Javy (JVM) omezují možnosti spuštěných aplikací. Právě možnosti používání bezpečnostních politik byly ve WildFly dosud silně omezeny. Výsledkem práce jsou rozšiřující moduly WildFly, doplňující programové rozhraní WildFly a webovou administrační konzolu WildFly o možnost centrálního nasazování bezpečnostních politik na jednotlivé servery domény WildFly bez potřeby jejich restartu. Součástí výsledku je také záplata samotného jádra WildFly, řešící problém výměny bezpečnostní politiky za běhu JVM.
|
|
|
Možnosti využití PUR pěn pro výstavbu zděných konstrukcí s integrovanou tepelnou izolací
Kalina, Jan ; Horký,, Ondřej (oponent) ; Zach, Jiří (vedoucí práce)
Bakalářská práce se věnuje problematice PUR pěn pro výstavbu zděných konstrukcí s integrovanou tepelně izolační vrstvou. Hlavní důraz je v práci zaměřen na využití jednokomponentních PUR pěn pro vyplňování velkoobjemových dutin keramických zdících tvarovek. V praktické části bakalářské práce je dále popsána výroba zkušebních vzorků vybraných PUR pěn a zkoušky, které byly na vzorcích provedeny. Cílem bylo vybrat PUR pěnu, která se nejlépe hodí jako integrovaná tepelná izolace do zděných konstrukcí. V závěru práce je vyhodnocení zkoušek, porovnání výsledků zkoušek. A doporučení vhodné PUR pěny.
|
|
|
Some Robust Estimation Tools for Multivariate Models
Kalina, Jan
Standard procedures of multivariate statistics and data mining for the analysis of multivariate data are known to be vulnerable to the presence of outlying and/or highly influential observations. This paper has the aim to propose and investigate specific approaches for two situations. First, we consider clustering of categorical data. While attention has been paid to sensitivity of standard statistical and data mining methods for categorical data only recently, we aim at modifying standard distance measures between clusters of such data. This allows us to propose a hierarchical agglomerative cluster analysis for two-way contingency tables with a large number of categories, based on a regularized measure of distance between two contingency tables. Such proposal improves the robustness to the presence of measurement errors for categorical data. As a second problem, we investigate the nonlinear version of the least weighted squares regression for data with a continuous response. Our aim is to propose an efficient algorithm for the least weighted squares estimator, which is formulated in a general way applicable to both linear and nonlinear regression. Our numerical study reveals the computational aspects of the algorithm and brings arguments in favor of its credibility.
|
|
|
Robustness of High-Dimensional Data Mining
Kalina, Jan ; Duintjer Tebbens, Jurjen ; Schlenker, Anna
Standard data mining procedures are sensitive to the presence of outlying measurements in the data. This work has the aim to propose robust versions of some existing data mining procedures, i.e. methods resistant to outliers. In the area of classification analysis, we propose a new robust method based on a regularized version of the minimum weighted covariance determinant estimator. The method is suitable for data with the number of variables exceeding the number of observations. The method is based on implicit weights assigned to individual observations. Our approach is a unique attempt to combine regularization and high robustness, allowing to downweight outlying high-dimensional observations. Classification performance of new methods and some ideas concerning classification analysis of high-dimensional data are illustrated on real raw data as well as on data contaminated by severe outliers.
|
|
|
Highly Robust Estimation of the Autocorrelation Coefficient
Kalina, Jan ; Vlčková, Katarína
The classical autocorrelation coefficient estimator in the time series context is very sensitive to the presence of outlying measurements in the data. This paper proposes several new robust estimators of the autocorrelation coefficient. First, we consider an autoregressive process of the first order AR(1) to be observed. Robust estimators of the autocorrelation coefficient are proposed in a straightforward way based on robust regression. Further, we consider the task of robust estimation of the autocorrelation coefficient of residuals of linear regression. The task is connected to verifying the assumption of independence of residuals and robust estimators of the autocorrelation coefficient are defined based on the Durbin-Watson test statistic for robust regression. The main result is obtained for the implicitly weighted autocorrelation coefficient with small weights assigned to outlying measurements. This estimator is based on the least weighted squares regression and we exploit its asymptotic properties to derive an asymptotic test that the autocorrelation coefficient is equal to 0. Finally, we illustrate different estimators on real economic data, which reveal the advantage of the approach based on the least weighted squares regression. The estimator turns out to be resistant against the presence of outlying measurements.
|
|
|
Robust Regularized Cluster Analysis for High-Dimensional Data
Kalina, Jan ; Vlčková, Katarína
This paper presents new approaches to the hierarchical agglomerative cluster analysis for high-dimensional data. First, we propose a regularized version of the hierarchical cluster analysis for categorical data with a large number of categories. It exploits a regularized version of various test statistics of homogeneity in contingency tables as the measure of distance between two clusters. Further, our aim is cluster analysis of continuous data with a large number of variables. Various regularization techniques tailor-made for high-dimensional data have been proposed, which have however turned out to suffer from a high sensitivity to the presence of outlying measurements in the data. As a robust solution, we recommend to combine two newly proposed methods, namely a regularized version of robust principal component analysis and a regularized Mahalanobis distance, which is based on an asymptotically optimal regularization of the covariance matrix. We bring arguments in favor of the newly proposed methods.
|
|
| |
host ::
RSS.