|
|
Robustní identifikace modelu se Studentovým šumem
Hlavinka, Radek ; Friml, Dominik (oponent) ; Dokoupil, Jakub (vedoucí práce)
Diplomová práce se zabývá Bayesovskými metodami pro robustní odhad parametrů ARX modelu. Robustnosti identifikačního algoritmu je dosaženo uvažováním Studentova-t rozdělení šum měřeného výstupu. Uvažování Studentova-t šumu znemožňuje analytické vyjádření posteriorního rozložení parametrů, je tedy třeba využít aproximačních metod. V rámci této práce jsou užity algoritmy využívající Gibbsův vzorkovač a Variační aproximaci a jsou srovnány s Metodou Nejmenších Čtverců. Algoritmy jsou hodnoceny na základě jejich estimace Maximální Věrohodnosti. Je ukázáno, že algoritmy uvažující Studentův-t šum dosahují při simulacích lepších výsledků. V rámci ověření na datech naměřených na reálném systému jsou však výsledky všech algoritmů srovnatelné.
|
|
|
Convergence of the Markov chain Monte Carlo method
Dzurilla, Matúš ; Beneš, Viktor (vedoucí práce) ; Dostál, Petr (oponent)
Tato práce se zabývá problémem náhodného q-obarvení z teorie grafů, ve kte- rém je úkolem obarvit vrcholy grafu q barvami, tak aby žádné sousední vrcholy neměly stejnou barvu. Cílem je generovat náhodné q-obarvení z rovnoměrného rozdělení na množině přípustných řešení. Problém byl formulovaný pomocí Mar- kovských řetězců a bylo k němu přistupováno přes Markov Chain Monte Carlo metodu, konkrétně Gibbsův výběrový plán. Cílem byla modifikace věty o rych- losti konvergence Gibbsova výběrového plánu z systematického na náhodný výběr vrcholů. Bylo třeba dokázat několik pomocných tvrzení a při důkazu hlavní věty byla použita metoda "coupling". Podařilo se odhadnout počet iteraci potřebných k tomu aby vzdálenost, ve smyslu totální variace, rozdělení řetězce od cílového rozdělení byla dostatečně malá. Význam věty byl demonstrovaný na numerických příkladech a je přidána také ukázka simulace. 23
|
|
|
Monte Carlo Pottsův model
Vlachovský, Karel ; Beneš, Viktor (vedoucí práce) ; Dvořák, Jiří (oponent)
Pottsův model je zobecněním Isingova modelu využívaným ve statistické me- chanice. Cílem práce je generovat z rozdělení daného tímto modelem. To nelze přímo, neboť stavový prostor je příliš velký, a proto se využívá Monte Carlo simulace pomocí markovského řetězce, který má Pottsovo rozdělení jako stacio- nární. V práci se porovnávají Gibbsův výběrový plán, Metropolisův algoritmus, Swendsen-Wangův algoritmus a hlavně je představen nový algoritmus míchání. Odvodíme, že všechny algoritmy jsou stejnoměrně ergodické. Implementujeme dané algoritmy a ukážeme, že pro vyšší hodnoty parametru teploty u Pottsova modelu jsou použitelné pouze algoritmus míchání a Swendsen-Wangův algorit- mus. 1
|
|
|
Convergence of the Markov chain Monte Carlo method
Dzurilla, Matúš ; Beneš, Viktor (vedoucí práce) ; Dostál, Petr (oponent)
Tato práce se zabývá problémem náhodného q-obarvení z teorie grafů, ve kte- rém je úkolem obarvit vrcholy grafu q barvami, tak aby žádné sousední vrcholy neměly stejnou barvu. Cílem je generovat náhodné q-obarvení z rovnoměrného rozdělení na množině přípustných řešení. Problém byl formulovaný pomocí Mar- kovských řetězců a bylo k němu přistupováno přes Markov Chain Monte Carlo metodu, konkrétně Gibbsův výběrový plán. Cílem byla modifikace věty o rych- losti konvergence Gibbsova výběrového plánu z systematického na náhodný výběr vrcholů. Bylo třeba dokázat několik pomocných tvrzení a při důkazu hlavní věty byla použita metoda "coupling". Podařilo se odhadnout počet iteraci potřebných k tomu aby vzdálenost, ve smyslu totální variace, rozdělení řetězce od cílového rozdělení byla dostatečně malá. Význam věty byl demonstrovaný na numerických příkladech a je přidána také ukázka simulace. 23
|
host ::
RSS.