|
|
Analýza AVG signálů
Musil, Václav ; Sekora, Jiří (oponent) ; Rozman, Jiří (vedoucí práce)
Předkládaná diplomová práce se zabývá vybranými metodami analýzy AVG signálů. Cílem této práce je klasifikace těchto signálů a tím přispění k možnostem neinvazivní diagnostiky ischemické choroby dolních končetin. K tomu je využito klasifikace založené na principech vícerozměrné statistické analýzy a na postupech využívajících neuronové sítě. Ke zpracování je použita angiograficky ověřená databáze dat AVG signálů. V závislosti na stupni stenózy, určené digitální subtrakční angiografií, jsou pacienti v tomto souboru roztříděni do tří separovatelných tříd. Na programové klasifikaci do jedné ze tří tříd se podílí 6 parametrů určených z AVG signálů, které byly pořízeny na třech místech měření dolní končetiny. Jako komplexní se jeví přístup k hodnocení choroby ze signálů naměřených na celé dolní končetině. Senzitivita metody shlukové analýzy vzhledem k angiografii se pohybuje v rozmezí 82,75 % až 90,90 %, specificita pak mezi 80,66 % a 88,88 %. Při klasifikaci neuronovými sítěmi jsou hodnoty senzitivity v rozmezí 79,06 % až 96,87 % a hodnoty specificity mezi 73,07 % a 91,30 %.
|
|
|
Scenario generation for multidimensional distributions
Olos, Marek ; Dupačová, Jitka (vedoucí práce) ; Kaňková, Vlasta (oponent)
Některé metody pro generování scénářů z mnohorozměrných rozdělení předpokládají znalost generování z jednorozměrných rozdělení. Těm se věnuje kapitola 3. Na konci kapitoly jsou uvedeny odkazy na vhodné algoritmy. Kapitola 4 se věnuje vybraným metodám pro generování scénářů z mnohorozměrných rozdělení. V kap. 4.3 představíme algoritmus pro generování scénářů nevyužívájící žádný předpoklad o rozdělení kromě zadaných prvních čtyř momentů a korelací. Metodu generování scénářů pomocí aproximace mnohorozměrného normálního rozdělení binomickým rozdělením popisujeme v kapitole 4.5. Redukcí dimenze pomocí metody hlavních komponent se zabýváme v kapitole 4.4, algoritmus je uveden pro předpoklad normálního rozdělení. V kapitole 4.6 představíme základy teorie kopulí a metodologii pro generování scénářů pomocí C-vine kopule. V kapitole 5 implementujeme vybrané metody generování scénářů na odhad denních hodnot v riziku pro vybrané indexy a výsledky diskutujeme. Powered by TCPDF (www.tcpdf.org)
|
|
|
Hlavní komponenty
Zavadilová, Anna ; Hlávka, Zdeněk (vedoucí práce) ; Nagy, Stanislav (oponent)
Práce představuje hlavní komponenty jako užitečný nástroj pro snížení di- menze datového souboru. V první části jsou uvedeny teoretické vlastnosti hlav- ních komponent a je zde odvozena konstrukce biplotu. Dále jsou shrnuty heu- ristické procedury pro volbu optimálního počtu hlavních komponent. Následně jsou uvedeny asymptotické vlastnosti výběrových vlastních čísel kovarianční a bílé Wishartovy matice, rozliší se případy rovnosti některých vlastních čísel. Ve druhé části je podrobně popsáno asymptotické rozdělení největšího vlastního čísla bílé Wishartovy matice doplněné o grafické ilustrace. Na základě tohoto asymptotic- kého rozdělení odvodíme test počtu signifikantních vlastních čísel a představíme souvislost testu s volbou vhodného počtu hlavních komponent. V závěrečné části práce shrneme pokročilé výpočetní metody pro volbu počtu hlavních komponent. Práce je doplněna grafickými ilustracemi a simulační studií v softwarech Wolfram Mathematica a R.
|
|
|
Scenario generation for multidimensional distributions
Olos, Marek ; Dupačová, Jitka (vedoucí práce) ; Kaňková, Vlasta (oponent)
Některé metody pro generování scénářů z mnohorozměrných rozdělení předpokládají znalost generování z jednorozměrných rozdělení. Těm se věnuje kapitola 3. Na konci kapitoly jsou uvedeny odkazy na vhodné algoritmy. Kapitola 4 se věnuje vybraným metodám pro generování scénářů z mnohorozměrných rozdělení. V kap. 4.3 představíme algoritmus pro generování scénářů nevyužívájící žádný předpoklad o rozdělení kromě zadaných prvních čtyř momentů a korelací. Metodu generování scénářů pomocí aproximace mnohorozměrného normálního rozdělení binomickým rozdělením popisujeme v kapitole 4.5. Redukcí dimenze pomocí metody hlavních komponent se zabýváme v kapitole 4.4, algoritmus je uveden pro předpoklad normálního rozdělení. V kapitole 4.6 představíme základy teorie kopulí a metodologii pro generování scénářů pomocí C-vine kopule. V kapitole 5 implementujeme vybrané metody generování scénářů na odhad denních hodnot v riziku pro vybrané indexy a výsledky diskutujeme. Powered by TCPDF (www.tcpdf.org)
|
|
|
Analýza AVG signálů
Musil, Václav ; Sekora, Jiří (oponent) ; Rozman, Jiří (vedoucí práce)
Předkládaná diplomová práce se zabývá vybranými metodami analýzy AVG signálů. Cílem této práce je klasifikace těchto signálů a tím přispění k možnostem neinvazivní diagnostiky ischemické choroby dolních končetin. K tomu je využito klasifikace založené na principech vícerozměrné statistické analýzy a na postupech využívajících neuronové sítě. Ke zpracování je použita angiograficky ověřená databáze dat AVG signálů. V závislosti na stupni stenózy, určené digitální subtrakční angiografií, jsou pacienti v tomto souboru roztříděni do tří separovatelných tříd. Na programové klasifikaci do jedné ze tří tříd se podílí 6 parametrů určených z AVG signálů, které byly pořízeny na třech místech měření dolní končetiny. Jako komplexní se jeví přístup k hodnocení choroby ze signálů naměřených na celé dolní končetině. Senzitivita metody shlukové analýzy vzhledem k angiografii se pohybuje v rozmezí 82,75 % až 90,90 %, specificita pak mezi 80,66 % a 88,88 %. Při klasifikaci neuronovými sítěmi jsou hodnoty senzitivity v rozmezí 79,06 % až 96,87 % a hodnoty specificity mezi 73,07 % a 91,30 %.
|
host ::
RSS.