Statistická a simulační identifikace proporcionální soustavy 1. řádu
|
|
- Štěpán Říha
- před 5 lety
- Počet zobrazení:
Transkript
1 XXVIII. ASR '2003 Seminar, Instruments and Control, Ostrava, May 6, Statistická a simulační identifikace proporcionální soustavy. řádu MORÁVKA, Jan Ing., Ph.D., Třinecký inženýring, a.s., Divize realizace, Frýdecká 26, Třinec Staré Město, jan.moravka@tzi.trz.cz, Abstrakt: Cílem příspěvku je prezentovat kvalitu odhadů parametrů při statistické a simulační identifikaci dynamické proporcionální soustavy. řádu. Jako vstupní signál je uvažován jak klasický Heavisideův skok, tak i stacionární náhodný signál s Gaussovým rozdělením pravděpodobnosti (tzv. bílý šum). Výstup soustavy je zatížen aditivním náhodným (nezávislým, tj. nekorelovaným sám se sebou ani se vstupním signálem) poruchovým signálem s různým rozptylem. Je zde také analyzován vliv velikosti periody vzorkování a počtu vzorků na kvalitu odhadů parametrů soustavy. Pro statistickou identifikaci jsou použity kvalitní (s bohatou regresní diagnostikou) statistické programy EasyReg, Statgraphics a QC Expert. Simulační identifikace je provedena v simulačním programu 20sim. Oba přístupy jsou dokumentovány na příkladu z praxe při identifikaci systému primárního chlazení předlitků v zařízení pro plynulé odlévání oceli. Klíčová slova: identifikace, statistický a simulační přístup, proporcionální soustava Matematické modely soustavy Budeme uvažovat spojitou dynamickou proporcionální soustavu se setrvačností.řádu (Sp) a její diskrétní modely invariantní vzhledem k impulsní (vlevo) a přechodové (vpravo) funkci v následující konfiguraci a označení (u(t) = u, u T (t) = u T, y(t) = y, u(kt) = u k, y(kt) = y k ) obr.: Sp u k / (T s) y A/D A/D A/D A/D u u k Sp D/A y y k u u k u T Sp y y k Obr.. Spojitý model soustavy Sp a jeho diskrétní ekvivalenty Spojitý přenos, diferenční rovnice, jejich koeficienty a parametry spojité soustavy jsou uvedeny v tab. (odvozeno dle vztahů uvedených ve [VÍTEČEK, A. 988]):
2 XXVIII. ASR '2003 Seminar, Instruments and Control, Ostrava, May 6, Tab.. Spojitý přenos a diskrétní modely soustavy Sp L-přenos G(s) k /(T.s ) impulsní funkci přechodové funkci Z-přenos invariantní k (A/D Sp A/D) (A/D, D/A Sp A/D) Gc(z) teoretický vztah Z{L - {G(s)} t=kt } (-z - ).Z{L - {G(s)/s} t=kt } Diferenční rovnice y k = c.y k- b.u k y k = c.y k- b.u k- Koeficienty b k /T k.(-c ) c 0 < exp(-t/t ) < Parametry T T = -T/ln(c ) k k = b.t k = b /(-c ) Poznámka: t čas (spojitý) [s], T perioda vzorkování [s] > 0, k násobek periody vzorkování = {0,,2, n} N 0, kt diskrétní čas [s], s komplexní proměnná spojité Laplaceovy (L) transformace, z komplexní proměnná diskrétní Z transformace, G(s) spojitý přenos soustavy v L-transformaci, A/D analogovo-digitální převodník (vzorkovač), D/A digitálně-analogový převodník (vzorkovač a tvarovač 0. řádu), Gc(z) diskrétní celkový (včetně A/D a D/A převodníků) přenos soustavy, u vstupní spojitá veličina soustavy [fyzikální jednotka], u T vstupní spojitá veličina soustavy za tvarovačem [fyzikální jednotka], y výstupní spojitá veličina soustavy [fyzikální jednotka], u k vstupní diskrétní veličina soustavy za vzorkovačem [fyzikální jednotka], y k výstupní diskrétní veličina soustavy za vzorkovačem [fyzikální jednotka], c, b koeficienty diferenční rovnice diskretizované soustavy Sp > 0, k (parametr) koeficient přenosu (zesílení) soustavy Sp [fyzikální jednotka] > 0, T časová konstanta soustavy Sp [s] > 0. 2 Simulační model soustavy Podle obecného simulačního schématu spojitého modelu soustavy Sp s aditivním působením poruchy na výstupu soustavy (obr.2): Sp u k / (T s) y s y Obr. 2. Obecné simulační schéma modelu byl v programu SIMULINK sestaven simulační program ve dvou variantách (script, m-file: Si_Spsx.m, kde x = k / p pro kontinuální / přechodový proces) obr.3, 4: v
3 XXVIII. ASR '2003 Seminar, Instruments and Control, Ostrava, May 6, Simulační schéma identifikované soustavy Sp - kontinuální proces u0 sigma_u v u 5 mi_u sum_u u To Workspace2 0.0 sigma_v x' = AxBu y = CxDu Sp: k=2, T=0 ys ys sum_y To Workspace3 v To Workspace4 y To Workspace t y Clock To Workspace u_ ys_ Obr. 3. Simulační schéma modelu v programu SIMULINK kontinuální proces Simulační schéma identifikované soustavy Sp - přechodový proces un sigma_un v u uh sum_u u To Workspace2 0.2 sigma_v x' = AxBu y = CxDu Sp: k=2, T=0 ys ys sum_y To Workspace3 v To Workspace4 y To Workspace t y Clock To Workspace u_ ys_ Obr. 4. Simulační schéma modelu v programu SIMULINK přechodový proces Simulace spojitého modelu byla uskutečněna pro následující hodnoty parametrů: parametry soustavy: k = 2, T = 0 s, ys 0 = 0 metoda simulace: linsim(a, B, C, D, u, t, x0), x0 = ys 0, tolerance = 0.00 parametry simulace: kontinuální proces: krok integrace h = 0., doba simulace tf = 000 s, přechodový proces: h = 0.0, tf = 60 s (T 5.T ) vstupní signál: kontinuální proces: u ~ N(µ u, σ u ), µ u = y 0 /k = 5, σ u =, seed(u) = 357, přechodový proces: u jednotkový skok z hodnoty 5 na 0 v čase t = 0 s = T, zatížený šumem u n ~ N(µ un, σ un ), µ un = 0, σ un {0, 0., }, seed(u n ) = 357 porucha: v ~ N(0, σ v ), seed(v) = 735, kontinuální proces: σ v = {0, 0.00, 0.0} = {0 %, 0. %, %} σ u, přechodový proces: σ v = {0, 0.2, 2} = {0 %, %, 0 %} y perioda vzorkování: kontinuální i přechodový proces: T {0.,, 0} počet vzorků: kontinuální proces: n {25, 50, 00}, přechodový proces: n {7, 6, 60}. Integrační krok h byl v případě kontinuálního procesu zvolen rovný nejmenší periodě vzorkování T min = 0. s, v případě procesu přechodového rovný jeho desetině. Celková doba simulace byla u kontinuálního procesu tf = n max.t max = n max.t = 00.0 = 000 s, v případě přechodového procesu tf = (5).T = 60 s. Matice hodnot veličin X = [t, u, ys, v, y] byly uloženy do ASCII souborů:
4 XXVIII. ASR '2003 Seminar, Instruments and Control, Ostrava, May 6, u kontinuálního procesu se jmény Kn_Tv.dat (K... kontinuální, n... počet záznamů, T... perioda vzorkování, v... směrodatná odchylka poruchy výstupu {N, T, S}, N: v = 0.000, T: v = 0.00, S: v = 0.00), u přechodového procesu se jmény Pσ un _T_v.dat (P... přechodový, σ un... směrodatná odchylka šumové složky jednotkového skoku, T... perioda vzorkování, v... směrodatná odchylka poruchy výstupu {N, D, J}, N: v = 0.0, D: v = 0.2, J: v = 2.0). Soubory sloužily pro zobrazení a hlavně pro následnou identifikaci soustavy v simulačním a ve statistických programech. Příklad průběhů vygenerovaných signálů (vstup, výstup) soustavy v případě kontinuálního procesu (pro σ v = 0.00) je na obr.5. 0 u(t) y(t), sigma v = t [s] Obr. 5. Generované signály modelu u(t), y(t) (σ v = 0, 0.00) kontinuální proces Příklad průběhů vygenerovaných signálů (vstup, výstup) soustavy v případě přechodového procesu (pro σ un =, σ v = 0.2) je na obr.6. 5 u(t) y(t), sigma un =, sigma v = t [s] Obr. 6. Generované signály modelu u(t), y(t) (σ un =, σ v = 0.2) přechodový proces 3 Statistická identifikace soustavy Pro statistickou identifikaci soustavy byly použity dva dynamické (tj. s tzv. zpožděnými vstupně/výstupními proměnnými) diskrétní regresní modely vycházející z diskrétních modelů
5 XXVIII. ASR '2003 Seminar, Instruments and Control, Ostrava, May 6, soustavy Sp a simulačního modelu (který zahrnuje aditivní působení poruchy na výstup soustavy). Pro diskrétní model invariantní k impulsní funkci byla tedy uvažována (diskrétní) dynamická regresní rovnice (regresní model): y k = a) c y k b ( u ε, () k k a pro model invariantní vzhledem k přechodové funkci dynamická regresní rovnice: y ( a) c y b u ε, (2) k = k k k kde je k index vektorů hodnot proměnných, k = 2, 3,... n, a konstantní absolutní člen, a a k = const, ε reziduum, chyba odhadu výstupu a modelu, ε ~ N(µ ε, σ ε ), µ ε 0. Absolutní člen (a) v závorce vyjadřuje skutečnost, že by měl vyjít statisticky nevýznamný, jelikož diskrétní modely soustavy Sp jej neobsahují. Z určitých statistických důvodů je však velice vhodné absolutní člen vždy do regresních modelů zařazovat. Obecně tento člen vyjadřuje souhrnný vliv nezahrnutých vstupních veličin (regresorů), nelinearitu modelu nebo vychýlený odhad regresních koeficientů. Grafické znázornění obou regresních modelů a modelů soustavy v konfiguraci simulace (tyto dle čárkované šipky bez absolutního členu) je viditelné na obr.7: ε k a u k z - Σ ys k b y k z - c Obr. 7. Schéma dynamických regresních a diskrétních modelů (čárkovaně) Z obrázku je zřejmý rozdíl mezi regresním a simulačním modelem. Spojitý model a příslušné diskrétní simulační modely soustavy Sp obsahují na (výstupu) modelu nezávislou aditivní poruchu výstupu. U regresního modelu se vliv reziduí (poruchy) promítá přes zpětnou vazbu do modelu soustavy a do jeho výstupu. Tato skutečnost znamená, že výstup modelu je ovlivněn i předchozími hodnotami reziduí. 4 Simulační identifikace soustavy Simulační identifikace soustavy Sp byla uskutečněna pomocí metod tzv. dynamické optimalizace v simulačním programu 20-sim 2.3 Pro (shareware, University of Twente, Holandsko, 998) podle schématu (Si_Sp.mg3) obr.8: G criterium u y Obr. 8. Simulační schéma v programu 20-sim
6 XXVIII. ASR '2003 Seminar, Instruments and Control, Ostrava, May 6, Simulační identifikace spojitého modelu Sp byla realizována pro následující nastavení a hodnoty parametrů (v tzv. experimentech): počáteční podmínky: výstup G = y_model (0) = 0, criterium = 0, k = 0.5, T = 5 časy simulace: t0 = 0, tf = n.t / 6.T pro kontinuální / přechodový proces integrační metoda: Runge-Kutta 4, h = T pro oba procesy optimalizační metoda: Broydon-Fletcher-Goldfarb-Shanno, tolerance = kritérium optimalizace: minimum součtu čtverců odchylek (MNČ) rozsah parametrů: k <0.2, 20>, T <, 00> soubory experimentů: k.*, p.* (sloupce t = 0, u =, y = 4 ze souborů dat), v_f.* 5 Přechodový proces 5. Statistická identifikace V tab.2, 3, 4 jsou uvedeny výsledky statistické identifikace soustavy při přechodovém vstupním procesu v programu EasyReg. Jsou uvedeny výsledky pro nejlepší (nejpřesnější, nejrobustnější) odhady parametrů soustavy, které vyšly pro regresní model invariantní vzhledem k přechodové funkci s absolutním členem: Tab. 2. Výsledky statistické identifikace pro σ v = 0.0 σ un T (n) k (n = 60) T k (n = 6) T k (n = 7) T Tab. 3. Výsledky statistické identifikace pro σ v = 0.2 σ un T (n) k (n = 60) T k (n = 6) T k (n = 7) T Tab. 4. Výsledky statistické identifikace pro σ v = 2.0 σ un T (n) k (n = 60) T k (n = 6) T k -0.5! (n = 7) T
7 XXVIII. ASR '2003 Seminar, Instruments and Control, Ostrava, May 6, Na obr.9 jsou průběhy veličin y, y_ model a reziduí lineárního regresního modelu pro data P D.dat (σ un =, T = s (n = 6), σ v = 0.2): Obr. 9. Průběhy veličin v programu EasyReg (pro data P D.dat) Hodnocení: Závislost odhadovaných parametrů na zhoršování podmínek identifikace, tj. růstu (rozptylu) vstupního šumu, periody vzorkování (= poklesu počtu hodnot) a (rozptylu) výstupního šumu není obecně jednoznačná. Zatímco koeficient přenosu k je systematicky podhodnocován (co signalizuje systematickou chybu metody MNČ u těchto dynamických regresních modelů), časová konstanta T je podle podmínek buď nadhodnocena nebo podhodnocena, či systematicky roste. Nejlepší případ (nejpřesnější odhad) nastává logicky pro nejlepší podmínky, tj. nulové hodnoty (rozptylů) obou šumů a minimální periodu vzorkování. Nejhorší odhad nastal pro maximální výstupní šum, maximální periodu vzorkování a paradoxně pro nulový vstupní šum. V tomto případě hodnota koeficientu přenosu dosáhla nereálné záporné hodnoty a časová konstanta byla asi o 50 % větší. Pro menší výstupní šumy přesnost odhadu koeficientu přenosu nepřesáhla 68 % a odhadu časové konstanty v absolutní hodnotě 58 %. Přístup statistické identifikace je u přechodových procesů použitelný pro menší výstupní šumy (do směrodatných odchylek řádově jednotky procent střední hodnoty výstupního signálu soustavy). 5.2 Simulační identifikace Výsledky simulační identifikace přechodového procesu v programu 20-sim jsou souhrnně uvedeny v tab.5, 6, 7:
8 XXVIII. ASR '2003 Seminar, Instruments and Control, Ostrava, May 6, Tab. 5. Výsledky simulační identifikace pro σ v = 0.0 σ un T (n) k (n = 60) T k (n = 6) T k (n = 7) T Tab. 6. Výsledky simulační identifikace pro σ v = 0.2 σ un T (n) k (n = 60) T k (n = 6) T k (n = 7) T Tab. 7. Výsledky simulační identifikace pro σ v = 2.0 σ un T (n) k (n = 60) T k (n = 6) T k (n = 7) T Na obr.0 jsou průběhy veličin u, y, a y model (G) pro data z textového souboru P_0_D.dat (σ un =, T = 0. s (n = 60), σ v = 0.2):
9 XXVIII. ASR '2003 Seminar, Instruments and Control, Ostrava, May 6, si_sp - p 25 A 25 B 25 C C B A u B y C y model B C A A 0 A 0 B 0 C 0 time 60 Obr. 0. Průběhy veličin v programu 20-sim (pro data P_0_D.dat) Hodnocení: Závislost odhadovaných parametrů na zhoršování podmínek identifikace je i v případě simulačního přístupu nejednoznačná. Koeficient přenosu k je spíše systematicky nadhodnocován (kromě jeho nejednoznačné závislosti na růstu vstupního šumu), časová konstanta T je podle podmínek buď nadhodnocena nebo podhodnocena, či systematicky roste. Nejlepší případ (nejpřesnější odhad) nastává pro podmínky: nulový vstupní šum, minimální perioda vzorkování a středně velký výstupní šum (σ v = 0.2). Nejhorší odhad logicky nastal pro maximální vstupní i výstupní šum a maximální periodu vzorkování. Oba parametry byly nadhodnoceny - koeficient přenosu asi o 9 % a časová konstanta až o 48 %. 5.3 Srovnání statistické a simulační identifikace při přechodovém procesu Pro přechodový vstupní proces poskytl přístup simulační identifikace lepší (tj. přesnější, robustnější, spolehlivější a reálné) odhady parametrů soustavy než přístup statistické identifikace. Absolutní chyby odhadu pro přístup simulační identifikace nepřekročily u koeficientu přenosu 0 % a u časové konstanty 50 %. Odhad koeficientu přenosu je tedy obecně přesnější (spolehlivější) než odhad časové konstanty. 6 Kontinuální proces 6. Statistická identifikace V tab.8, 9, 0 jsou uvedeny výsledky statistické identifikace soustavy v programu EasyReg při kontinuálním vstupním procesu. Jsou uvedeny výsledky pro nejlepší (nejpřesnější a nejrobustnější) odhady parametrů soustavy, které vyšly pro regresní model (paradoxně!) invariantní vzhledem k přechodové funkci bez absolutního členu:
10 XXVIII. ASR '2003 Seminar, Instruments and Control, Ostrava, May 6, Tab. 8. Výsledky statistické identifikace pro σ v = 0.0 n T k T T 85! 25! 636! k k T -986! -728! -899! Tab. 9. Výsledky statistické identifikace pro σ v = 0.00 n T k T k T 84! 249! 642! 0 k T -200! -737! -94! Tab. 0. Výsledky statistické identifikace pro σ v = 0.0 n T k T k T.89 79! !.80 66! 0 k T -256! -835! -2070! Na obr. jsou zobrazeny časové průběhy veličin y, y_model a reziduí lineárního regresního modelu s absolutním členem popisujícím diskrétní model soustavy Sp invariantní k impulsní funkci pro data K00_0T.dat (n = 00, T = 0. s, σ v = 0.00):
11 XXVIII. ASR '2003 Seminar, Instruments and Control, Ostrava, May 6, Obr.. Průběhy veličin v programu EasyReg (pro data K00_0T.dat) Hodnocení: Závislost odhadovaných parametrů na zhoršování podmínek identifikace, tj. poklesu počtu hodnot, růstu periody vzorkování a (rozptylu) výstupního šumu není obecně jednoznačná. Zajímavá je nezávislost koeficientu přenosu k na výstupním šumu a systematická závislost časové konstanty T na růstu periody vzorkování (roste) a na růstu výstupního šumu (klesá). Nejlepší případ (nejpřesnější odhad) nastává pro podmínky: maximální počet dat, minimální periodu vzorkování a maximální (!) rozptyl výstupního šumu. Nejhorší odhad očekávaně nastal pro minimální počet hodnot, maximální periodu vzorkování a maximální výstupní šum. Odhad koeficientu přenosu je robustní a jeho chyba nepřekročila ve všech případech v absolutní hodnotě 4 %. Odhad časové konstanty dosahoval pro větší periody vzorkování extrémně vysokých kladných a dokonce záporných (nereálných) hodnot. Pro malou periodu jeho chyba v absolutní hodnotě nepřekročila 25 %. Přístup statistické identifikace je u kontinuálních procesů použitelný pouze pro dostatečně malé periody vzorkování velikosti řádově jednotek procent časové konstanty soustavy. 6.2 Simulační identifikace Výsledky simulační identifikace kontinuálního procesu v programu 20-sim jsou souhrnně uvedeny v tab., 2, 3: Tab.. Výsledky simulační identifikace pro σ v = 0.0 n T k T k T.84 00!.87 00! ! 0 k T 00! 00! 00!
12 XXVIII. ASR '2003 Seminar, Instruments and Control, Ostrava, May 6, Tab. 2. Výsledky simulační identifikace pro σ v = 0.00 n T k T T 00! 00! 00! k k T 00! 00! 00! Tab. 3. Výsledky simulační identifikace pro σ v = 0.0 n T k T k T 00! 00! 00! 0 k T 00! 00! 00! Pozn.: Hodnota 00! znamená, že simulační program dosáhl při optimalizačním hledání horní zadanou hranici rozsahu odhadu časové konstanty, tj. 00 s (= 0.T ). Na obr.2 jsou viditelné průběhy veličin u, y, a y model (G) pro data K00_0T.dat (n = 00, T = 0. s, σ v = 0.00): si_sp - k00_0t 30 A 0.05 B 0.05 C B C C A u B y C y_model B A A 0 A 9.8 B 9.8 C 0 time 0 Obr. 2. Průběhy veličin v programu 20-sim (pro data K00_0T.dat) Hodnocení: Závislost odhadovaných parametrů na zhoršování podmínek identifikace, tj. poklesu počtu hodnot, růstu periody vzorkování a (rozptylu) výstupního šumu není obecně jednoznačná. Zajímavá je nezávislost koeficientu přenosu k a časové konstanty T na výstupním šumu. Odhad koeficientu přenosu je robustní a jeho chyba nepřesáhla ve všech případech v absolutní hodnotě 8 %.
13 XXVIII. ASR '2003 Seminar, Instruments and Control, Ostrava, May 6, Odhad časové konstanty metodou simulační identifikace byl přijatelný pouze pro nejmenší periodu vzorkování T = 0. (tj. T/T = %), kdy chyba nepřesáhla 0 %. Pro větší periody vzorkování odhad nekonvergoval a dosáhl horní zadané hranice. Přístup simulační identifikace je u kontinuálních procesů použitelný pouze pro dostatečně malé periody vzorkování velikosti řádově jednotek procent časové konstanty soustavy. 6.3 Srovnání statistické a simulační identifikace při kontinuálním procesu Pro kontinuální vstupní proces poskytl opět přístup simulační identifikace lepší (tj. přesnější, robustnější, spolehlivější a reálné) odhady parametrů soustavy než přístup statistické identifikace. Absolutní chyby odhadu pro oba (statistický/simulační) přístupy identifikace nepřekročily u koeficientu přenosu 4/8 % a u časové konstanty 25/0 %. Odhad koeficientu přenosu je tedy obecně přesnější (spolehlivější) než odhad časové konstanty. Odhad časové konstanty je přijatelný u obou přístupů pouze pro malé periody vzorkování velikosti řádově jednotek procent časové konstanty soustavy. 7 Identifikace reálné soustavy Pro dokumentaci obou přístupů byl zvolen praktický případ identifikace systému primárního chlazení (PCH) předlitků v zařízení pro plynulé odlévání oceli (ZPO) č. v Třineckých železárnách, a.s. Byly použity data vstupní veličiny rychlost lití v [cm/min] a výstupní veličiny průtok chladicí vody F [m 3 /h] v tavbě č na licím proudu č. (LP) vzorkované a archivované s periodou T = 5 s (textový soubor v_f.*) obr.3: v [ cm/min] Tavba LP F [m3/h] v F čas [s] Obr. 3. Průběhy veličin PCH v tavbě č na LP Výsledky identifikace oběma způsoby jsou uvedeny v tab.4:
14 XXVIII. ASR '2003 Seminar, Instruments and Control, Ostrava, May 6, Tab. 4. Výsledky identifikace systému PCH Identifikace statistická simulační Poznámky Model impulsní přechodový max / min Abs. Člen ano ne ano ne - k T Z výsledků je vidět jistá neurčitost při identifikaci - odhadu parametrů soustavy Sp PCH pomocí různých přístupů a modelů. Poměr maximálních a minimálních hodnot odhadů koeficientu přenosů je až 8:, časových konstant asi 2:. Nejpodobnější odhady parametrů k simulačnímu přístupu poskytl u statistického přístupu regresní model invariantní vzhledem k přechodové funkci s absolutním členem, což odpovídá předchozím závěrům simulací na teoretickém modelu soustavy Sp. 8 Závěr Závěrem je možné konstatovat logické a celkem očekávané skutečnosti: Simulační identifikace je jednodušeji použitelná (ovšem pouze v případě, že máme k dispozici vhodný SW) a dává lepší (přesnější, robustnější a spolehlivější) odhady parametrů proporcionální dynamické soustavy. řádu Sp než metoda statistické identifikace. Statistická identifikace poskytla nejlepší odhady parametrů pro regresní model invariantní vzhledem k přechodové funkci a to bez absolutního členu u kontinuálních procesů a s absolutním členem u procesů přechodových. Identifikace pomocí vstupních přechodových procesů je spolehlivější než pomocí procesů kontinuálních (stacionárních ve střední hodnotě a rozptylu), která je použitelná u obou přístupů pouze pro malé periody vzorkování do velikosti řádově jednotek procent časové konstanty soustavy. Odhad koeficientu přenosu je robustní u obou přístupů a procesů. Odhad časové konstanty je citlivý na splnění podmínek relativně malé periody vzorkování a ne moc velkého výstupního šumu. Při splnění výše uvedených podmínek se nejmenší (nejhorší) přesnosti odhadů obou parametrů za použití obou identifikačních přístupů pohybovaly v rozmezí 8-63 %. Závislost přesnosti odhadovaných parametrů na zhoršování podmínek identifikace, tj. na růstu rozptylů šumů (na vstupu i výstupu), poklesu počtu hodnot a růstu periody vzorkování není obecně u obou přístupů jednoznačná. 9 Literatura ARLT, J Moderní metody modelování ekonomických časových řad.. vyd. Praha : Grada, s. ISBN CIPRA, J Analýza časových řad s aplikacemi v ekonomii.. vyd. Praha : SNTL/ALFA, 986, 248 s. VÍTEČEK, A Matematické metody automatického řízení (Transformace L a Z).. vyd. Ostrava : Katedra ATŘ FSE VŠB Ostrava, s. NOSKIEVIČ, P Modelování a identifikace systémů.. vyd. Ostrava : Montanex, s.
CITLIVOSTNÍ ANALÝZA DYNAMICKÝCH SYSTÉMŮ I
Informačné a automatizačné technológie v riadení kvality produkcie Vernár,.-4. 9. 005 CITLIVOSTNÍ ANALÝZA DYNAMICKÝCH SYSTÉMŮ I KÜNZEL GUNNAR Abstrakt Příspěvek uvádí základní definice, fyzikální interpretaci
VíceÚvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
VíceZÁKLADY AUTOMATICKÉHO ŘÍZENÍ
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ ZÁKLADY AUTOMATICKÉHO ŘÍZENÍ 1. týden doc. Ing. Renata WAGNEROVÁ, Ph.D. Ostrava 2013 doc. Ing. Renata WAGNEROVÁ, Ph.D. Vysoká škola báňská
VíceU Úvod do modelování a simulace systémů
U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení
VíceZÁKLADY AUTOMATICKÉHO ŘÍZENÍ
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ ZÁKLADY AUTOMATICKÉHO ŘÍZENÍ 8. týden doc. Ing. Renata WAGNEROVÁ, Ph.D. Ostrava 2013 doc. Ing. Renata WAGNEROVÁ, Ph.D. Vysoká škola báňská
VíceZpětná vazba, změna vlastností systému. Petr Hušek
Zpětná vazba, změna vlastností systému etr Hušek Zpětná vazba, změna vlastností systému etr Hušek husek@fel.cvut.cz katedra řídicí techniky Fakulta elektrotechnická ČVUT v raze MAS 2012/13 ČVUT v raze
VíceAnalýza lineárních regulačních systémů v časové doméně. V Modelice (ale i v Simulinku) máme blok TransfeFunction
Analýza lineárních regulačních systémů v časové doméně V Modelice (ale i v Simulinku) máme blok TransfeFunction Studijní materiály http://physiome.cz/atlas/sim/regulacesys/ Khoo: Physiological Control
VíceModelování a simulace Lukáš Otte
Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast
VíceRobustnost regulátorů PI a PID
Proceedings of International Scientific Conference of FME Session 4: Automation Control and Applied Informatics Paper 45 Robustnost regulátorů PI a PID VÍTEČKOVÁ, Miluše Doc. Ing., CSc., katedra ATŘ, FS
VíceAVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
VíceAutomatizace je proces při němž je řídicí funkce člověka nahrazována činností
Automatizace je proces při němž je řídicí funkce člověka nahrazována činností různých přístrojů a zařízení. (Mechanizace, Automatizace, Komplexní automatizace) Kybernetika je Věda, která zkoumá obecné
VíceČasové řady, typy trendových funkcí a odhady trendů
Časové řady, typy trendových funkcí a odhady trendů Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Jiří Neubauer (Katedra ekonometrie UO Brno) Časové
VíceČasové řady, typy trendových funkcí a odhady trendů
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces
VíceNastavení parametrů PID a PSD regulátorů
Fakulta elektrotechniky a informatiky Univerzita Pardubice Nastavení parametrů PID a PSD regulátorů Semestrální práce z předmětu Teorie řídicích systémů Jméno: Jiří Paar Datum: 9. 1. 2010 Zadání Je dána
VíceUNIVERZITA PARDUBICE
UNIVERZITA PARDUBICE Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie na téma Tvorba nelineárních regresních modelů v analýze dat Vedoucí licenčního studia Prof. RNDr.
VíceVLIV VELIKOSTI VZORKOVACÍ PERIODY NA NÁVRH DISKRÉTNÍHO REGULAČNÍHO OBVODU
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV AUTOMATIZACE A INFORMATIKY FACULTY OF MECHANICAL ENGINEERING INSTITUTE OF AUTOMATION AND COMPUTER SCIENCE
VíceVerifikace modelu VT přehříváků na základě provozních měření
Verifikace modelu VT přehříváků na základě provozních měření Jan Čejka TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Tento materiál vznikl v rámci projektu ESF
VíceTestování hypotéz o parametrech regresního modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model kde Y = Xβ + e, y 1 e 1 β y 2 Y =., e = e 2 x 11 x 1 1k., X =....... β 2,
VíceFakulta elektrotechniky a komunikačních technologíı Ústav automatizace a měřicí techniky v Brně
Vysoké učení technické v Brně Fakulta elektrotechniky a komunikačních technologíı Ústav automatizace a měřicí techniky Algoritmy řízení topného článku tepelného hmotnostního průtokoměru Autor práce: Vedoucí
VíceCharakterizují kvantitativně vlastnosti předmětů a jevů.
Měřicí aparatura 1 / 34 Fyzikální veličiny Charakterizují kvantitativně vlastnosti předmětů a jevů. Můžeme je dělit: Podle rozměrů: Bezrozměrné (index lomu, poměry) S rozměrem fyzikální veličiny velikost
Více25.z-6.tr ZS 2015/2016
Ústav technologie, mechanizace a řízení staveb Teorie měření a regulace Typové členy 2 25.z-6.tr ZS 2015/2016 2015 - Ing. Václav Rada, CSc. TEORIE ŘÍZENÍ třetí část tématu předmětu pokračuje. A oblastí
VíceStatic and dynamic regression analysis in system identification Statická a dynamická regresní analýza v identifikaci systémů
XXIX. ASR '2004 Seminar, Instruments and Control, Ostrava, April 30, 2004 207 Static and dynamic regression analysis in system identification Staticá a dynamicá regresní analýza v identifiaci systémů MORÁVKA,
VíceRegresní a korelační analýza
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Regresní analýza Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu)
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VícePraha technic/(4 -+ (/T'ERATU"'P. ))I~~
Jaroslav Baláte Praha 2003 -technic/(4 -+ (/T'ERATU"'P ))I~~ @ ZÁKLADNí OZNAČENí A SYMBOLY 13 O KNIZE 24 1 SYSTÉMOVÝ ÚVOD PRO TEORII AUTOMATICKÉHO iízení 26 11 VYMEZENí POJMU - SYSTÉM 26 12 DEFINICE SYSTÉMU
VíceAVDAT Nelineární regresní model
AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných
VíceAutomatizační technika. Regulační obvod. Obsah
30.0.07 Akademický rok 07/08 Připravil: Radim Farana Automatizační technika Regulátory Obsah Analogové konvenční regulátory Regulátor typu PID Regulátor typu PID i Regulátor se dvěma stupni volnosti Omezení
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
VíceTestování hypotéz o parametrech regresního modelu
Testování hypotéz o parametrech regresního modelu Ekonometrie Jiří Neubauer Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra UO
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
Více4EK211 Základy ekonometrie
4EK211 Základ ekonometrie Odhad klasického lineárního regresního modelu I Cvičení 2 Zuzana Dlouhá Metodologický postup tvor EM 1. Specifikace modelu určení proměnných určení vzájemných vaze mezi proměnnými
VíceMĚŘENÍ A ANALÝZA ELEKTROAKUSTICKÝCH SOUSTAV NA MODELECH. Petr Kopecký ČVUT, Fakulta elektrotechnická, Katedra Radioelektroniky
MĚŘENÍ A ANALÝZA ELEKTROAKUSTICKÝCH SOUSTAV NA MODELECH Petr Kopecký ČVUT, Fakulta elektrotechnická, Katedra Radioelektroniky Při návrhu elektroakustických soustav, ale i jiných systémů, je vhodné nejprve
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické či jiné
Vícevzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291
Vzorová úloha 4.16 Postup vícerozměrné kalibrace Postup vícerozměrné kalibrace ukážeme na úloze C4.10 Vícerozměrný kalibrační model kvality bezolovnatého benzinu. Dle následujících kroků na základě naměřených
VíceÚvod do modelování a simulace. Ing. Michal Dorda, Ph.D.
Úvod do modelování a simulace systémů Ing. Michal Dorda, Ph.D. 1 Základní pojmy Systém systémem rozumíme množinu prvků (příznaků) a vazeb (relací) mezi nimi, která jako celek má určité vlastnosti. Množinu
VíceDiagnostika regrese pomocí grafu 7krát jinak
StatSoft Diagnostika regrese pomocí grafu 7krát jinak V tomto článečku si uděláme exkurzi do teorie regresní analýzy a detailně se podíváme na jeden jediný diagnostický graf. Jedná se o graf Předpovědi
Více2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení
2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků
VíceAVDAT Geometrie metody nejmenších čtverců
AVDAT Geometrie metody nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model klasický lineární regresní model odhad parametrů MNČ y = Xβ + ε, ε
VíceThe Optimization of Modules for M68HC08 Optimalizace modulů pro M68HC08
XXX. ASR '005 Seminar, Instruments and Control, Ostrava, April 9, 005 6 he Optimization of Modules for M68HC08 Optimalizace modulů pro M68HC08 DOLEŽEL, Petr & VAŠEK, Vladimír Ing., Univerzita omáše Bati
Více4EK211 Základy ekonometrie
4EK11 Základy ekonometrie Autokorelace Cvičení 5 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady 1. E(u) = náhodné vlivy se vzájemně vynulují. E(uu T ) = σ I n konečný
VíceSrovnání PID regulace a anisochronního řízení na PLC Tecomat Foxtrot
Srovnání PID regulace a anisochronního řízení na PLC Tecomat Foxtrot Martin Hunčovský 1,*, Petr Siegelr 1,* 1 ČVUT v Praze, Fakulta strojní, Ústav přístrojové a řídící techniky, Technická 4, 166 07 Praha
VíceModelov an ı syst em u a proces
Modelování systémů a procesů 13. března 2012 Obsah 1 Vnější popis systému 2 Vnitřní popis systému 3 Příklady na stavový popis dynamických systémů Obsah 1 Vnější popis systému 2 Vnitřní popis systému 3
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
VíceMěření závislosti statistických dat
5.1 Měření závislosti statistických dat Každý pořádný astronom je schopen vám předpovědět, kde se bude nacházet daná hvězda půl hodiny před půlnocí. Ne každý je však téhož schopen předpovědět v případě
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VíceFlexibilita jednoduché naprogramování a přeprogramování řídícího systému
Téma 40 Jiří Cigler Zadání Číslicové řízení. Digitalizace a tvarování. Diskrétní systémy a jejich vlastnosti. Řízení diskrétních systémů. Diskrétní popis spojité soustavy. Návrh emulací. Nelineární řízení.
VíceVÝVOJ ŘÍDICÍCH ALGORITMŮ HYDRAULICKÝCH POHONŮ S VYUŽITÍM SIGNÁLOVÉHO PROCESORU DSPACE
VÝVOJ ŘÍDICÍCH ALGORITMŮ HYDRAULICKÝCH POHONŮ S VYUŽITÍM SIGNÁLOVÉHO PROCESORU DSPACE Přednáška na semináři CAHP v Praze 4.9.2013 Prof. Ing. Petr Noskievič, CSc. Ing. Miroslav Mahdal, Ph.D. Katedra automatizační
VíceVYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
VíceTvorba nelineárních regresních
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie Statistické zpracování dat Tvorba nelineárních regresních modelů v analýze dat Zdravotní ústav
VíceOCHRANA VOJENSKÝCH OBJEKTŮ PROTI ÚČINKŮM VÝKONOVÝCH ELEKTROMAGNETICKÝCH POLÍ, SIMULACE EMC FILTRŮ
OCHRANA VOJENSKÝCH OBJEKTŮ PROTI ÚČINKŮM VÝKONOVÝCH ELEKTROMAGNETICKÝCH POLÍ, SIMULACE EMC FILTRŮ Anotace: Ing. Zbyněk Plch VOP-026 Šternberk s.p., divize VTÚPV Vyškov Zkušebna elektrické bezpečnosti a
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cziba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické
VíceTvorba nelineárních regresních modelů v analýze dat
Univerzita Pardubice Fakulta chemicko-technologická, Katedra analytické chemie Licenční studium GALILEO Interaktivní statistická analýza dat Semestrální práce z předmětu Tvorba nelineárních regresních
VíceOtázky ke státní závěrečné zkoušce
Otázky ke státní závěrečné zkoušce obor Ekonometrie a operační výzkum a) Diskrétní modely, Simulace, Nelineární programování. b) Teorie rozhodování, Teorie her. c) Ekonometrie. Otázka č. 1 a) Úlohy konvexního
VíceSIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY
SIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY TEMATICKÉ OKRUHY Signály se spojitým časem Základní signály se spojitým časem (základní spojité signály) Jednotkový skok σ (t), jednotkový impuls (Diracův impuls)
Více5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza
5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat se hledají souvislosti mezi dvěma, případně
VíceCharakterizace rozdělení
Charakterizace rozdělení Momenty f(x) f(x) f(x) μ >μ 1 σ 1 σ >σ 1 g 1 g σ μ 1 μ x μ x x N K MK = x f( x) dx 1 M K = x N CK = ( x M ) f( x) dx ( xi M 1 C = 1 K 1) N i= 1 K i K N i= 1 K μ = E ( X ) = xf
VíceVlastnosti a modelování aditivního
Vlastnosti a modelování aditivního bílého šumu s normálním rozdělením kacmarp@fel.cvut.cz verze: 0090913 1 Bílý šum s normálním rozdělením V této kapitole se budeme zabývat reálným gaussovským šumem n(t),
VíceOptimalizace provozních podmínek. Eva Jarošová
Optimalizace provozních podmínek Eva Jarošová 1 Obsah 1. Experimenty pro optimalizaci provozních podmínek 2. EVOP klasický postup využití statistického softwaru 3. Centrální složený návrh model odezvové
VíceÚloha 1: Lineární kalibrace
Úloha 1: Lineární kalibrace U pacientů s podezřením na rakovinu prostaty byl metodou GC/MS měřen obsah sarkosinu v moči. Pro kvantitativní stanovení bylo nutné změřit řadu kalibračních roztoků o různé
VíceEkonometrie. Jiří Neubauer
Úvod do analýzy časových řad Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Úvod do analýzy
VíceUniverzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti 3.3 v analýze dat Autor práce: Přednášející: Prof. RNDr. Milan Meloun, DrSc Pro
VícePOLYNOMICKÁ REGRESE. Jedná se o regresní model, který je lineární v parametrech, ale popisuje nelineární závislost mezi proměnnými.
POLYNOMICKÁ REGRESE Jedná se o regresní model, který je lineární v parametrech, ale popisuje nelineární závislost mezi proměnnými. y = b 0 + b 1 x + b 2 x 2 + + b n x n kde b i jsou neznámé parametry,
VíceREGRESNÍ ANALÝZA NESTACIONÁRNÍCH EKONOMICKÝCH ČASOVÝCH ŘAD
Politická ekonomie 45: (2), str. 281-289, VŠE Praha, 1997. ISSN 0032-3233. (Rukopis) REGRESNÍ ANALÝZA NESTACIONÁRNÍCH EKONOMICKÝCH ČASOVÝCH ŘAD Josef ARLT, Vysoká škola ekonomická, Praha 1. Úvod Pro modelování
VíceIdentifikace a řízení nelineárního systému pomocí Hammersteinova modelu
1 Portál pre odborné publikovanie ISSN 1338-0087 Identifikace a řízení nelineárního systému pomocí Hammersteinova modelu Brázdil Michal Elektrotechnika 25.04.2011 V praxi se často setkáváme s procesy,
VíceIlustrační příklad odhadu LRM v SW Gretl
Ilustrační příklad odhadu LRM v SW Gretl Podkladové údaje Korelační matice Odhad lineárního regresního modelu (LRM) Verifikace modelu PEF ČZU Praha Určeno pro posluchače předmětu Ekonometrie Needitovaná
VíceStavový model a Kalmanův filtr
Stavový model a Kalmanův filtr 2 prosince 23 Stav je veličina, kterou neznáme, ale chtěli bychom znát Dozvídáme se o ní zprostředkovaně prostřednictvím výstupů Příkladem může býapř nějaký zašuměný signál,
Více1 Modelování systémů 2. řádu
OBSAH Obsah 1 Modelování systémů 2. řádu 1 2 Řešení diferenciální rovnice 3 3 Ukázka řešení č. 1 9 4 Ukázka řešení č. 2 11 5 Ukázka řešení č. 3 12 6 Ukázka řešení č. 4 14 7 Ukázka řešení č. 5 16 8 Ukázka
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady, vlastnosti Vzorkovací
VíceKATEDRA ELEKTRICKÝCH MĚŘENÍ
VŠB-TU Ostrava Datum měření: Datum odevzdání/hodnocení: KATEDRA ELEKTRICKÝCH MĚŘENÍ 9. VIRTUÁLNÍ MĚŘICÍ PŘÍSTROJE Fakulta elektrotechniky a informatiky Jména, studijní skupiny: Cíl měření: Seznámit se
VíceNeuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
VíceOpakování z předmětu TES
Opakování z předmětu TES A3B35ARI 6..6 Vážení studenti, v následujících měsících budete každý týden z předmětu Automatické řízení dostávat domácí úkol z látky probrané v daném týdnu na přednáškách. Jsme
VíceUNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek
UNIVERZITA PARDUBICE Licenční Studium Archimedes Statistické zpracování dat a informatika 4.4 Aproximace křivek a vyhlazování křivek Mgr. Jana Kubátová Endokrinologický ústav V Praze, leden 2012 Obsah
VíceCW01 - Teorie měření a regulace
Ústav technologie, mechanizace a řízení staveb CW01 - Teorie měření a regulace ZS 2010/2011 SPEC. 2.p 2010 - Ing. Václav Rada, CSc. Ústav technologie, mechanizace a řízení staveb Teorie měření a regulace
VíceChyby a neurčitosti měření
Radioelektronická měření (MREM) Chyby a neurčitosti měření 10. přednáška Jiří Dřínovský Ústav radioelektroniky FEKT VUT v Brně Základní pojmy Měření je souhrn činností s cílem určit hodnotu měřené veličiny
VícePředmět A3B31TES/Př. 13
Předmět A3B31TES/Př. 13 PS 1 1 Katedra teorie obvodů, místnost č. 523, blok B2 Přednáška 13: Kvantování, modulace, stavový popis PS Předmět A3B31TES/Př. 13 květen 2015 1 / 28 Obsah 1 Kvantování 2 Modulace
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VíceSTATISTIKA. Inovace předmětu. Obsah. 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7
Inovace předmětu STATISTIKA Obsah 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7 1 1. Inovace předmětu STATISTIKA Předmět Statistika se na bakalářském oboru
Více8. Sběr a zpracování technologických proměnných
8. Sběr a zpracování technologických proměnných Účel: dodat v částečně předzpracovaném a pro další použití vhodném tvaru ucelenou informaci o procesu pro následnou analyzu průběhu procesu a pro rozhodování
VíceSEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík
SEMESTRÁLNÍ PRÁCE Leptání plasmou Ing. Pavel Bouchalík 1. ÚVOD Tato semestrální práce obsahuje písemné vypracování řešení příkladu Leptání plasmou. Jde o praktickou zkoušku znalostí získaných při přednáškách
VíceTeorie náhodných matic aneb tak trochu jiná statistika
Teorie náhodných matic aneb tak trochu jiná statistika B. Vlková 1, M.Berg 2, B. Martínek 3, O. Švec 4, M. Neumann 5 Gymnázium Uničov 1, Gymnázium Václava Hraběte Hořovice 2, Mendelovo gymnázium Opava
VíceStatistika. Regresní a korelační analýza Úvod do problému. Roman Biskup
Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
VíceKNIHOVNA MODELŮ TECHNOLOGICKÝCH PROCESŮ
KNIHOVNA MODELŮ TECHNOLOGICKÝCH PROCESŮ Radim Pišan, František Gazdoš Fakulta aplikované informatiky, Univerzita Tomáše Bati ve Zlíně Nad stráněmi 45, 760 05 Zlín Abstrakt V článku je představena knihovna
VíceKalibrace a limity její přesnosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie Statistické zpracování dat Kalibrace a limity její přesnosti Zdravotní ústav se sídlem v Ostravě
VíceStatistika II. Jiří Neubauer
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Časová řada konečná posloupnost reálných hodnot určitého sledovaného ukazatele měřeného v určitých
VíceDUM 19 téma: Digitální regulátor výklad
DUM 19 téma: Digitální regulátor výklad ze sady: 03 Regulátor ze šablony: 01 Automatizační technika I Určeno pro 4. ročník vzdělávací obor: 26-41-M/01 Elektrotechnika ŠVP automatizační technika Vzdělávací
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie Predikce Multikolinearita Cvičení 4 Zuzana Dlouhá Aplikace EM predikce obecně ekonomické prognózování, předpověď, předvídání hlavním cílem je odhad hodnot vysvětlované proměnné
VíceKapitola 1. Signály a systémy. 1.1 Klasifikace signálů
Kapitola 1 Signály a systémy 1.1 Klasifikace signálů Signál představuje fyzikální vyjádření informace, obvykle ve formě okamžitých hodnot určité fyzikální veličiny, která je funkcí jedné nebo více nezávisle
Více6. Lineární regresní modely
6. Lineární regresní modely 6.1 Jednoduchá regrese a validace 6.2 Testy hypotéz v lineární regresi 6.3 Kritika dat v regresním tripletu 6.4 Multikolinearita a polynomy 6.5 Kritika modelu v regresním tripletu
VíceZáklady navrhování průmyslových experimentů DOE
Základy navrhování průmyslových experimentů DOE cílová hodnota V. Vícefaktoriální experimenty Gejza Dohnal střední hodnota cílová hodnota Vícefaktoriální návrhy experimentů počet faktorů: počet úrovní:
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie LS 2014/15 Cvičení 4: Statistické vlastnosti MNČ LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE Upřesnění k pojmům a značení
VíceInovace bakalářského studijního oboru Aplikovaná chemie
http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Regrese Závislostproměnných funkční y= f(x) regresní y= f(x)
VíceModelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček. 8. přednáška 11MSP pondělí 20. dubna 2015
Modelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 8. přednáška 11MSP pondělí 20. dubna 2015 verze: 2015-04-14 12:31
VíceSIMULACE SPOLEHLIVOSTI SYSTÉMŮ HROMADNÉ OBSLUHY. Michal Dorda. VŠB - TU Ostrava, Fakulta strojní, Institut dopravy
SIMULACE SPOLEHLIVOSTI SYSTÉMŮ HROMADNÉ OBSLUHY Michal Dorda VŠB - TU Ostrava Fakulta strojní Institut dopravy 1 Úvod V běžné technické praxi se velice často setkáváme s tzv. systémy hromadné obsluhy aniž
VíceV praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více
9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme
Vícehttp: //meloun.upce.cz,
Porovnání rozlišovací schopnosti regresní analýzy spekter a spolehlivosti Prof. RNDr. Milan Meloun, DrSc. Katedra analytické chemie, Chemickotechnologická fakulta, Univerzita Pardubice, nám. s. Legií 565,
VícePravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1
Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu
VíceZPĚTNOVAZEBNÍ ŘÍZENÍ, POŽADAVKY NA REGULACI
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE, FAKULTA ELEKTROTECHNICKÁ, KATEDRA ŘÍDICÍ TECHNIKY Modelování a simulace systémů cvičení 9 ZPĚTNOVAZEBNÍ ŘÍZENÍ, POŽADAVKY NA REGULACI Petr Hušek (husek@fel.cvut.cz)
Více