Bayesovské přístupy pro adaptivní identifikaci systémů

Simple item page
but.committeedoc. Ing. Radovan Hájovský, Ph.D. (předseda) doc. Ing. Zdeněk Bradáč, Ph.D. (místopředseda) Ing. Jakub Dokoupil, Ph.D. (člen) Ing. Zdeněk Havránek, Ph.D. (člen) Ing. Karel Horák, Ph.D. (člen) Ing. Tomáš Macho, Ph.D. (člen)cs
but.defenceStudent obhájil diplomovou práci. Komise neměla žádné námitky k řešené práci. V průběhu odborné rozpravy odpověděl na dotazy.cs
but.jazykčeština (Czech)
but.programKybernetika, automatizace a měřenícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorDokoupil, Jakubcs
dc.contributor.authorSkalský, Ondřejcs
dc.contributor.referee,, Straka Ondřejcs
dc.date.created2024cs
dc.description.abstractPráce se zabývá bayesovskou identifikací časově variantních normálních regresních modelů a skýtá celkem čtyři hlavní algoritmy. První dvě uvedené algoritmizace slouží pro průběžnou regularizovanou identifikaci jednoho regresního modelu. Neznámost časového vývoje tohoto modelu je u obou algoritmizací řešena technikou datově informovaného zapomínání. Volba faktoru zapomínání je u první uvedené algoritmizace prováděna pomocí variační bayesovské aproximace. Druhý algoritmus určuje hodnotu faktoru zapomínání statistickým rozhodováním. Druhá dvojice algoritmů pohlíží na problematiku časového vývoje parametrů jako na sekvenci přepínání normálních regresních modelů. U obou těchto dávkových algoritmizací založených na variační bayesovské aproximaci je iterativně prováděna inference nejen parametrů banky modelů, ale i aktivit těchto modelů po čas experimentu, přičemž skutečný počet modelů tvořících tuto banku je určen automaticky. Rozdíl mezi těmito algoritmy spočívá především v šumových vlastnostech přepínaných modelů. Všechny čtyři algoritmy jsou testovány na reálné soustavě a v simulacích. Práce je doplněna krátkým úvodem do bayesovského světa, jež vysvětluje užité statistické techniky. Pro úplnost a návaznost na zmíněné algoritmy je popsána i dávková a průběžná identifikace časově invariantního normálního regresního modelu.cs
dc.description.abstractThe paper deals with Bayesian identification of time variant normal regression models and provides four key algorithms. The first two algorithms are designed for the online regularized identification of a single regression model. Absence of the time evolution model is solved in both algorithmizations by a data-informed forgetting technique. The choice of the forgetting factor in the first algorithm is performed using Variational Bayesian approximation. The second algorithm determines the value of the forgetting factor by statistical decision making. The second pair of algorithms treats the problem of time evolution of parameters as a sequence of switching normal regression models. In both of these offline algorithms which are based on the Variational Bayesian approximation, both the inference of the bank of model parameters and the activities of these models over the time of the experiment are iteratively performed. The actual number of models forming this bank is determined automatically. The difference between these algorithms lies mainly in the noise properties of the switched models. All four algorithms are tested on a real system and in simulations. The paper is complemented by a short introduction to the Bayesian world, which presents the essential statistical techniques that are used. For completeness and continuity with the aforementioned algorithms, the offline and online identification of a time invariant normal regression model is also described.en
dc.description.markAcs
dc.identifier.citationSKALSKÝ, O. Bayesovské přístupy pro adaptivní identifikaci systémů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.cs
dc.identifier.other160100cs
dc.identifier.urihttp://hdl.handle.net/11012/245972
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectIdentifikacecs
dc.subjectBayesovská statistikacs
dc.subjectPravděpodobnostcs
dc.subjectNormální regresní modelcs
dc.subjectČasově variantní parametrická identifikacecs
dc.subjectARX modelcs
dc.subjectSměs normálních regresních modelůcs
dc.subjectBayesovská identifikace směsi normálních regresních modelůcs
dc.subjectVariační bayesovská aproximace.cs
dc.subjectIdentificationen
dc.subjectBayesian statisticsen
dc.subjectProbabilityen
dc.subjectNormal regression modelen
dc.subjectTime variant parametric identificationen
dc.subjectARX modelen
dc.subjectMixture of normal regression modelsen
dc.subjectIdentification of mixture of normal regression modelsen
dc.subjectVariational Bayesian approximation.en
dc.titleBayesovské přístupy pro adaptivní identifikaci systémůcs
dc.title.alternativeBayesian approaches to adaptive system identificationen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2024-06-04cs
dcterms.modified2024-06-06-13:57:59cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid160100en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:41:36en
sync.item.modts2025.01.15 11:36:17en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav automatizace a měřicí technikycs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 4 of 4
Thumbnail Image
Name:
final-thesis.pdf
Size:
3.22 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
1.37 MB
Format:
Unknown data format
Description:
file appendix-1.zip
Download
Thumbnail Image
Name:
Posudek-Oponent prace-Posudek_Oponent_DPSkalskyunsigned.pdf
Size:
109.19 KB
Format:
Adobe Portable Document Format
Description:
file Posudek-Oponent prace-Posudek_Oponent_DPSkalskyunsigned.pdf
Download
Thumbnail Image
Name:
review_160100.html
Size:
3.31 KB
Format:
Hypertext Markup Language
Description:
file review_160100.html
Download
Collections
2024