Robustní identifikace modelu se Studentovým šumem

Simple item page
but.committeedoc. Ing. Václav Jirsík, CSc. (předseda) doc. Ing. Petr Fiedler, Ph.D. (místopředseda) Ing. Jakub Dokoupil, Ph.D. (člen) Ing. Lukáš Kopečný, Ph.D. (člen) Ing. Stanislav Klusáček, Ph.D. (člen)cs
but.defenceStudent obhájil diplomovou práci. Komise neměla žádné námitky k řešené práci. V průběhu odborné rozpravy odpověděl na dotazy Jeffreys neinformativní prior, volba rozdělení šumu v simulaci a definice studentova šumu.cs
but.jazykčeština (Czech)
but.programKybernetika, automatizace a měřenícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorDokoupil, Jakubcs
dc.contributor.authorHlavinka, Radekcs
dc.contributor.refereeFriml, Dominikcs
dc.date.created2023cs
dc.description.abstractDiplomová 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.cs
dc.description.abstractThis Master's thesis deals with Bayesian approach to robust parameter estimation for ARX models. Robustness is achieved by assuming the measurement noise to be generated by Student-t distribution. The asumption of Student-t noise renders the model's posterior intractable and requires utilization of approximation techniques. This thesis considers algorithms using Gibbs sampler and Variational approximation and compares them with Ordinary Least Squares. The algorithms are compared based on their Maximum Likelihood estimation. It is shown that approaches assuming the Student-t noise perform better in simulation. The results from data acquired from physical system are however similar for all algorithms considered.en
dc.description.markAcs
dc.identifier.citationHLAVINKA, R. Robustní identifikace modelu se Studentovým šumem [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.cs
dc.identifier.other151801cs
dc.identifier.urihttp://hdl.handle.net/11012/213834
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.subjectStudentův-t šumcs
dc.subjectBayesovský přístupcs
dc.subjectidentifikace parametrů systémucs
dc.subjectARX modelcs
dc.subjectGibbsův vzorkovačcs
dc.subjectVariační Bayescs
dc.subjectMetoda Nejmenších Čtvercůcs
dc.subjectStudent-t noiseen
dc.subjectBayesian approachen
dc.subjectsystem parametets identificationen
dc.subjectARX modelen
dc.subjectGibbs sampleren
dc.subjectVariational Bayesen
dc.subjectOrdinary Least Squaresen
dc.titleRobustní identifikace modelu se Studentovým šumemcs
dc.title.alternativeRobust Student estimatoren
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2023-08-30cs
dcterms.modified2023-08-31-11:02:02cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid151801en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:41:05en
sync.item.modts2025.01.16 00:08:15en
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 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
2.61 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
14.96 MB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_151801.html
Size:
6.71 KB
Format:
Hypertext Markup Language
Description:
file review_151801.html
Download
Collections
2023