Bayesovská identifikace prostřednictvím zobecněných metod nejmenších čtverců: aplikace na lineární pohony

Simple item page
but.committeedoc. Ing. Petr Beneš, Ph.D. (předseda) prof. Ing. Milan Hofreiter CSc - oponent (člen) doc. Ing. Bohumil Klíma, Ph.D. (člen) Prof. Ing. Roman Prokop, CSc. (člen) doc. Ing. Ondřej Straka, Ph.D. - oponent (člen)cs
but.defenceDizertant seznámi komisi během 22 minut s obsahem a hlavními výsledky své dizertační práce. Následně byly přečteny posudky a Ing. Friml v plném rozsahu zodpověděl na dotazy oponetů, dotazy dalších členů komise a přítomné veřejnosti.cs
but.jazykangličtina (English)
but.programKybernetika, automatizace a měřenícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorVáclavek, Pavelen
dc.contributor.authorFriml, Dominiken
dc.contributor.refereeHofreiter,, Milanen
dc.contributor.refereeStraka, Ondřejen
dc.date.accessioned2025-03-27T11:11:21Z
dc.date.available2025-03-27T11:11:21Z
dc.date.created2024cs
dc.description.abstractTato dizertační práce nachází novou formulaci modelu lineárního motoru s permanentními magnety ve tvaru problému s chybami v proměnných. Odvozuje identifikační metody, které kvantifikují nejistotu identifikovaných parametrů pomocí bayesovských přístupů. Studie nabízí alternativu ke klasickým metodám nejmenších čtverců, přičemž hlavním přínosem je bayesovský algoritmus obecných nejmenších totálních čtverců. Jedná se o algoritmus pro identifikaci problémů s chybou v proměnných s libovolnými kovariančními maticemi šumu. Vhodné aproximace umožňují získat odhad maxima posteriorní distribuce pomocí existujících algoritmů, což umožňuje okamžité použití v mnoha praktických problémech. Analytická rovnice poskytuje normální aproximaci posteriorní distribuce, která obsahuje informaci o nejistotě parametrů, čehož může být využito v pokročilých diagnostických a řídicích metodách. V rámci analýzy vláštního případu bayesovských obechných nejmenších totálních čtverců je odhalena dříve nepoznaná souvislost se směrovou statistikou. Navrhované algoritmy jsou aplikovány pro rekurzivní identifikaci parametrů lineárního motoru s permanentními magnety, podporující průběžnou aktualizaci parametrů. V rámci práce je odvozeno pět algoritmů, jejich rychlá konvergence a využitelnost je demonstrována prostřednictvím numerické analýzy. Praktická použitelnost a různé využití výsledků jsou ilustrovány prostřednictvím numerických i experimentálních testů.en
dc.description.abstractThis doctoral thesis reformulates the model of linear motor with permanent magnets as an errors-in-variables problem and derives identification methods that quantify parameter uncertainty using Bayesian approaches. The study offers an alternative to classical least squares methods, with the primary contribution being the Bayesian Generalized Total Least Squares framework. This framework identifies errors-in-variables problems with arbitrary noise covariance matrices. Appropriate approximations allow the maximum a posteriori solution to be obtained using existing algorithms, enabling immediate application in various practical problems. An analytical equation provides a normal approximation of the posterior distribution, encompassing parameter uncertainty for advanced diagnostic and control methods. For the Bayesian Total Least Squares framework, special case of Bayesian Generalized Total Least Squares, previously unrecognized connection with directional statistics is revealed. The proposed framework is applied for recursive identification of linear motors with permanent magnets, supporting continuous parameter updates. Five algorithms are presented, demonstrating fast convergence and practical viability through numerical analysis. The practicality and diverse applications of the results are illustrated through both numerical and practical experiments.cs
dc.description.markPcs
dc.identifier.citationFRIML, D. Bayesovská identifikace prostřednictvím zobecněných metod nejmenších čtverců: aplikace na lineární pohony [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.cs
dc.identifier.other163037cs
dc.identifier.urihttps://hdl.handle.net/11012/250639
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectPMLSMen
dc.subjectPMSMen
dc.subjectStatistická identifikaceen
dc.subjectProblém s chybou v proměnnýchen
dc.subjectEIVen
dc.subjectNejmenší totální čtverceen
dc.subjectTLSen
dc.subjectObecné nejmenší totální čtverceen
dc.subjectGTLSen
dc.subjectBayesovská inferenceen
dc.subjectBayesovská identifikaceen
dc.subjectBinghamova distribuceen
dc.subjectSměrová statistikaen
dc.subjectLaplaceova aproximaceen
dc.subjectVariační metodyen
dc.subjectPMLSMcs
dc.subjectPMSMcs
dc.subjectStatistical Identificationcs
dc.subjectErrors-in-variablescs
dc.subjectEIVcs
dc.subjectTotal Least Squarescs
dc.subjectTLScs
dc.subjectGeneralized Total Least Squarescs
dc.subjectGTLScs
dc.subjectBayesian Inferencecs
dc.subjectBayesian Identificationcs
dc.subjectBingham Distributioncs
dc.subjectDirectional Statisticscs
dc.subjectLaplace Approximationcs
dc.subjectVariational Methodscs
dc.titleBayesovská identifikace prostřednictvím zobecněných metod nejmenších čtverců: aplikace na lineární pohonyen
dc.title.alternativeBayesian Identification via Generalized Total Least Squares: Applied to Linear Motor Drivescs
dc.typeTextcs
dc.type.driverdoctoralThesisen
dc.type.evskpdizertační prácecs
dcterms.dateAccepted2024-12-16cs
dcterms.modified2024-12-31-14:33:27cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid163037en
sync.item.dbtypeZPen
sync.item.insts2025.03.27 12:11:21en
sync.item.modts2025.01.15 18:50:59en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav automatizace a měřicí technikycs
thesis.levelDoktorskýcs
thesis.namePh.D.cs
Files
Original bundle
Now showing 1 - 4 of 4
Thumbnail Image
Name:
final-thesis.pdf
Size:
7.71 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
Posudek-Oponent prace-posudek oponenta prof. Hofreiter_disertace Ing. Friml.pdf
Size:
3.02 MB
Format:
Adobe Portable Document Format
Description:
file Posudek-Oponent prace-posudek oponenta prof. Hofreiter_disertace Ing. Friml.pdf
Download
Thumbnail Image
Name:
Posudek-Oponent prace-Opponent Review doc. Straka_dissertation Ing. Friml.pdf
Size:
3.9 MB
Format:
Adobe Portable Document Format
Description:
file Posudek-Oponent prace-Opponent Review doc. Straka_dissertation Ing. Friml.pdf
Download
Thumbnail Image
Name:
review_163037.html
Size:
4.04 KB
Format:
Hypertext Markup Language
Description:
file review_163037.html
Download
Collections
2024