|
|
Využití metody kriging v inženýrských úlohách s neurčitostmi
Tvrzník, Jakub ; Lehký, David (oponent) ; Vořechovský, Miroslav (vedoucí práce)
Předložená bakalářská práce se zabývá interpolační metodou zvanou kriging, která je založena na regresi hodnot naměřených v okolí. Krigování je založeno na představě, že interpolovaná funkce je jednou realizací náhodného pole. Pomocí této metody dokážeme následně vyčíslit odhady funkčních hodnot v okolních bodech včetně chyb odhadu v každém bodě. Současně s tím krigování respektuje přesné naměřené hodnoty a realizace jimi přesně prochází. Praktická část demonstruje aplikace metody na inženýrské úlohy, kde jsou naměřené hodnoty rozmístěny náhodně. V dalších příkladech jsou naměřené hodnoty rozmístěny pomocí gridu.
|
|
| |
|
|
Classification of mental workload using brain connectivity measure
Doležalová, Radka ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
This thesis deals with possibilities of using EEG connectivity measures for automatic classification of mental workload levels. The theoretical principles of EEG recording and different measures of brain connectivity are discussed at the beginning. Two different levels of mental workload were evoked in healthy participants during real experiments. The course of experiment, processing of recorded EEG, as well as extraction of classification features from EEG based on some connectivity measures (such as cross-correlation, covariance, coherence and phase locking value), and automatic classification approaches (classification based on distance from average, 1-nearestneighbor searching and discriminant analysis) were then described. Obtained results were interpreted and discussed. The best classification accuracy (approx. 60,64%) was obtained using beta band of EEG recorded with 4 channels from different scalp, when features were classified with linear discriminant function.
|
|
|
Statistická analýza intervalových dat
Troshkov, Kirill ; Antoch, Jaromír (vedoucí práce) ; Branda, Martin (oponent)
Tradiční statistická analýza začíná výpočtem základních statistických charakteristik jako je výběrová střední hodnota E, výběrový rozptyl V , kovariance či korelace. Při výpočtu těchto charakteristik se většinou předpokládá, že odpo- vídající hodnoty dat jsou přesně známé. Ve skutečnem světě existují situace, kdy je možné získat více vypovídající informace tím, že soubor statistických dat bude intervalového typu. Například, naměřená denní maximální a minimální teplota dává realističtější pohled na počasí než obyčejné průměrné hodnoty. Při analýze životního prostředí dostáváme naměřené hodnoty znečištění jezera x(t) v různých časových okamžicích t, přičemž bychom potřebovali odhadnout statistické charak- teristiky jako je střední hodnota, rozptyl nebo korelace s jinými měřeními. Jiný příklad je z finančního prostředí. Minimum a maximum cen transakcí, denně za- znamenané pro nějaký soubor akcií poskytuje víc relevantních údajů pro finanční experty, kteří vyhodnocují akcie a volatilitu ve stejný den. Pro tyto a mnohé další případy musíme modifikovat existující statistické postupy, abychom je mohli apli- kovat na data intervalového typu. V této práci se pokusíme rozebrat statistické algoritmy, jejich složitost a modifikace vhodné pro aplikaci na intervalová data v případě výpočtu střední hodnoty,...
|
|
|
Využití metody kriging v inženýrských úlohách s neurčitostmi
Tvrzník, Jakub ; Lehký, David (oponent) ; Vořechovský, Miroslav (vedoucí práce)
Předložená bakalářská práce se zabývá interpolační metodou zvanou kriging, která je založena na regresi hodnot naměřených v okolí. Krigování je založeno na představě, že interpolovaná funkce je jednou realizací náhodného pole. Pomocí této metody dokážeme následně vyčíslit odhady funkčních hodnot v okolních bodech včetně chyb odhadu v každém bodě. Současně s tím krigování respektuje přesné naměřené hodnoty a realizace jimi přesně prochází. Praktická část demonstruje aplikace metody na inženýrské úlohy, kde jsou naměřené hodnoty rozmístěny náhodně. V dalších příkladech jsou naměřené hodnoty rozmístěny pomocí gridu.
|
|
|
Statistická analýza intervalových dat
Troshkov, Kirill ; Antoch, Jaromír (vedoucí práce) ; Branda, Martin (oponent)
Tradiční statistická analýza začíná výpočtem základních statistických charakteristik jako je výběrová střední hodnota E, výběrový rozptyl V , kovariance či korelace. Při výpočtu těchto charakteristik se většinou předpokládá, že odpo- vídající hodnoty dat jsou přesně známé. Ve skutečnem světě existují situace, kdy je možné získat více vypovídající informace tím, že soubor statistických dat bude intervalového typu. Například, naměřená denní maximální a minimální teplota dává realističtější pohled na počasí než obyčejné průměrné hodnoty. Při analýze životního prostředí dostáváme naměřené hodnoty znečištění jezera x(t) v různých časových okamžicích t, přičemž bychom potřebovali odhadnout statistické charak- teristiky jako je střední hodnota, rozptyl nebo korelace s jinými měřeními. Jiný příklad je z finančního prostředí. Minimum a maximum cen transakcí, denně za- znamenané pro nějaký soubor akcií poskytuje víc relevantních údajů pro finanční experty, kteří vyhodnocují akcie a volatilitu ve stejný den. Pro tyto a mnohé další případy musíme modifikovat existující statistické postupy, abychom je mohli apli- kovat na data intervalového typu. V této práci se pokusíme rozebrat statistické algoritmy, jejich složitost a modifikace vhodné pro aplikaci na intervalová data v případě výpočtu střední hodnoty,...
|
|
| |
|
|
Classification of mental workload using brain connectivity measure
Doležalová, Radka ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
This thesis deals with possibilities of using EEG connectivity measures for automatic classification of mental workload levels. The theoretical principles of EEG recording and different measures of brain connectivity are discussed at the beginning. Two different levels of mental workload were evoked in healthy participants during real experiments. The course of experiment, processing of recorded EEG, as well as extraction of classification features from EEG based on some connectivity measures (such as cross-correlation, covariance, coherence and phase locking value), and automatic classification approaches (classification based on distance from average, 1-nearestneighbor searching and discriminant analysis) were then described. Obtained results were interpreted and discussed. The best classification accuracy (approx. 60,64%) was obtained using beta band of EEG recorded with 4 channels from different scalp, when features were classified with linear discriminant function.
|
host ::
RSS.