Detekce neznámých typů mutantů na základě odlišnosti kinetiky fluorescence
|
|
- Rostislav Šimek
- před 5 lety
- Počet zobrazení:
Transkript
1 Detekce neznámých typů mutantů na základě odlišnosti kinetiky fluorescence Jan Vaněk 1, Radek Tesař 1, Jan Urban 1, Karel Matouš 2 1 Katedra kybernetiky, Fakulta aplikovaných věd, Západočeská univerzita v Plzni 2 Laboratoř aplikované fotobiologie, Ústav ekologie krajiny, Nové Hrady
2 Cíle prověřit možnosti využití dat s kinetikou fluorescence mutantů k jejich detekci porovnat informaci obsaženou v datech získaných zhášecími a oscilačními protokoly z hlediska množství informace z hlediska statistické závislosti optimalizovat použité měřící protokoly minimalizovat délku protokolu maximalizovat množství získané informace (minimalizovat statistickou závislost jednotlivých segmentů protokolu)
3 Data Rostlina arabidopsis Rostlinek na misce: 37 Rozlišení: 512 x 512 Délka měření (snímků): 271 až 652 Každá petriho miska měřena 3x Celkem mutantů: 44
4 Protokol - zhášecí Osvětlení (vstup) 60 µmol photons m -1 s -1 aktinické světlo 120 µmol photons m -1 s -1 aktinické světlo 240 µmol photons m -1 s -1 aktinické světlo Fluorescence (odezva) Saturační pulsy Aktinické světlo Flurescenční odezva t [s] Každý časový okamžik v nasnímaných datech můžeme chápat jako jeden příznak Zajímala nás diskriminativní síla těchto příznaků a její závislost na intenzitě ak. světla
5 Protokol oscilační Osvětlení (vstup) Fluorescence (odezva) 8 různých frekvencí aktinického světla Flurescenční odezva Saturační puls Změna frekvence t [s] Nebyly měřeny hodnoty mezi dvojicemi period. Zajímala nás diskriminativní síla příznaků, které odpovídali různým frekvencím.
6 Aproximace měření oscilací
7 Redukce objemu dat Fluorescence (odezva) Průměrování Použití jednotlivých bodů t [s] V naměřených datech je vysoká redundance. Nabízí se možnost popsat naměřenou křivku výrazně menším počtem hodnot. Existují dva přístupy redukci může provést na základě svých zkušeností člověk nebo může být provedena na základě statistiky
8 Informace v příznacích A B A B p 1 p 2 p 1 p 2 Příklad rozložení prvků dvou tříd (např. mutanti a wildtype) ve dvou různých příznacích - p 1 a p 2 (těmi mohou být například hodnoty Fo a Fm) Je vidět, že druhý z příznaků je sám o sobě vhodnější pro rozhodování o příslušnosti bodů do jednotlivých tříd
9 Statistická závislost příznaků p 2 p 4 A B A B p 1 p 3 Statistická závislost může způsobit, že nejlepší dvojice příznaků nemusí být totožná s nejlepšími dvěma příznaky. Vlevo je příklad nejlepší dvojice příznaků, vpravo nejlepší dva příznaky.
10 LDA Lineární Diskriminační Analýza Extrakce příznaků Lineární transformace do prostoru nižší dimenze Pro C tříd nám stačí maximálně C 1 dimenzí (příznaků). J = inv(w).σ W průměrná kovarianční matice jednotlivých tříd Σ kovarianční matice centroidů jednotlivých tříd Výsledná transformační matice T pak vznikne výběrem C 1 vlastních vektorů odpovídajících největším vlastním číslům matice J. Transformovaný vektor g pak vznikne z měřeného vektoru f takto: g = f. T
11 Mahalanobisova vzdálenost (Mahalanobis Distance - MD) Discriminabilita Statistická vzdálenost dvou tříd v N dimenzionálním prostoru
12 Detekce mutantů
13 Výsledky detekce mutantů Nazev mutanta Chyba detekce Mahalanobisova vzdalenost QU OS All QU OS All WT-Base 45.4% 45.3% 44.9% N % 0.0% 0.0% N % 0.0% 0.0% rca 0.0% 0.0% 0.0% N17 0.0% 0.0% 0.0% N % 0.0% 0.0% N % 0.0% 0.0% N % 0.0% 0.0% N % 0.0% 0.0% N % 0.0% 0.0% NPQ % 0.1% 0.0% NPQ % 0.0% 0.0% WT46 0.5% 0.0% 0.0% N % 0.0% 0.0% N % 0.0% 0.0% WT43 0.0% 1.2% 0.0% N % 0.3% 0.0% N % 0.0% 0.0% N % 2.2% 0.0% N % 0.7% 0.0% N % 1.1% 0.0% N % 4.2% 0.0% N % 0.4% 0.0% N % 0.3% 0.0% N % 1.9% 0.0% N % 4.3% 0.0% N % 2.1% 0.1% N % 2.1% 0.1% N % 1.3% 0.1% N % 5.0% 0.1% N % 4.2% 0.3% N % 4.9% 0.4% N % 2.1% 0.6% N % 19.4% 0.9% R % 7.6% 1.7% RLD 3.7% 10.2% 1.7% N % 12.7% 2.0% N % 10.1% 1.9% N % 13.8% 2.5% N % 10.6% 3.1% N % 15.4% 4.3% N % 16.5% 7.5% QU Zhášecí protokol OS Oscilační protokol All Oba protokoly
14 Mutant R100 Analýza protokolu Mutant N6169
15 Protokol rozdělen do 5 částí podle použitého světla
16 N3819 N155 4WT43 N N6147 N3772 4WT46 N89558 N N N6204 N6363 N3834 N156 N3892 NPQ1-2 N6169 N89530 N N3418 N6128 N3889 N17 N N N8156 N2355 N3733 N RLD rca R100 N8507 N N89471 N6217 N N3354 N8326 N6362 NPQ4-1
17 Jemnější rozdělení protokolu do 15 částí
18 N2355 N3834 NPQ4-1 N R100 N3892 N6217 N N8326 4WT43 N N NPQ1-2 N6147 4WT46 N N3819 N3772 N89558 N155 N6204 N6128 N3889 N6363 N156 N17 N N N3418 N3733 RLD rca N6169 N89530 N N3354 N N6362 N8156 N8507 N89471
19 Oscilační protokol Úroveň diskriminability jednotlivých frekvencí Měřeno 8 frekvencí Perioda [s]
20 N3418 RCA N N N2355 RLD N3892 N3772 NPQ1-2 N6128 N3889 N6363 N6147 N3834 N17 N WT46 R100 N155 N3354 N N8326 NPQ4-1 N89530 N6362 N3819 N8156 N156 N3733 4WT43 N8507 N89558 N6169 N N N89471 N6217 N N N6204 N
21 Změna informace podle počtu použitých oblastí
22 Závěr Využitím kinetiky fluorescence lze mutanty úspěšně detekovat Všechny testované mutanty jsme byli schopni nalézt Zhášecí protokol obsahuje zpravidla větší množství užitečné informace pro detekci námi testovaných mutantů, než protokol oscilační Informace z obou protokolů je navzájem nezávislá, tudíž lze jejich kombinací dosáhnout lepších výsledků Byla nalezena metodika pro optimální redukci protokolu při minimální možné ztrátě užitečné informace Lze odhadnout úbytek informace redukovaného protokolu
23 Do budoucna... Navrhnout a provést měření větším množstvím různých protokolů Použít metodiku optimální redukce na tyto protokoly Z výsledků použití této metodiky sestavit nové informativně bohatší měřící protokoly pro různé skupiny mutantů Získané protokoly použít na detekci dosud neznámých mutantů
24 Chcete vědět víc...?
Odhad stavu matematického modelu křižovatek
Odhad stavu matematického modelu křižovatek Miroslav Šimandl, Miroslav Flídr a Jindřich Duník Katedra kybernetiky & Výzkumné centrum Data-Algoritmy-Rozhodování Fakulta aplikovaných věd Západočeská univerzita
VíceKlasifikace a rozpoznávání. Extrakce příznaků
Klasifikace a rozpoznávání Extrakce příznaků Extrakce příznaků - parametrizace Poté co jsme ze snímače obdržely data která jsou relevantní pro naši klasifikační úlohu, je potřeba je přizpůsobit potřebám
VícePřehled vhodných metod georeferencování starých map
Přehled vhodných metod georeferencování starých map ČVUT v Praze, katedra geomatiky 12. 3. 2015 Praha Georeferencování historická mapa vs. stará mapa georeferencování umístění obrazu mapy do referenčního
VíceODŮVODNĚNÍ VEŘEJNÉ ZAKÁZKY
ODŮVODNĚNÍ VEŘEJNÉ ZAKÁZKY s názvem ZAŘÍZENÍ PRO ANALÝZU FOTOSYNTÉZY CEITEC MU vyhotovené podle 156 zákona č. 137/2006 Sb., o veřejných zakázkách, v platném znění (dále jen Zákon o VZ) 1. ODŮVODNĚNÍ ÚČELNOSTI
VícePřednáška 13 Redukce dimenzionality
Vytěžování Dat Přednáška 13 Redukce dimenzionality Miroslav Čepek Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti ČVUT (FEL) Redukce dimenzionality 1 /
VíceAktivní detekce chyb
Fakulta aplikovaných věd, Katedra kybernetiky a Výzkumné centrum Data - Algoritmy - Rozhodování Západočeská univerzita v Plzni Prezentace v rámci odborného semináře Katedry kybernetiky Obsah Motivační
Více11 Analýza hlavních komponet
11 Analýza hlavních komponet Tato úloha provádí transformaci měřených dat na menší počet tzv. fiktivních dat tak, aby většina informace obsažená v původních datech zůstala zachována. Jedná se tedy o úlohu
VíceProfilování vzorků heroinu s využitím vícerozměrné statistické analýzy
Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy Autor práce : RNDr. Ivo Beroun,CSc. Vedoucí práce: prof. RNDr. Milan Meloun, DrSc. PROFILOVÁNÍ Profilování = klasifikace a rozlišování
VíceKlasifikace a rozpoznávání. Lineární klasifikátory
Klasifikace a rozpoznávání Lineární klasifikátory Opakování - Skalární součin x = x1 x 2 w = w T x = w 1 w 2 x 1 x 2 w1 w 2 = w 1 x 1 + w 2 x 2 x. w w T x w Lineární klasifikátor y(x) = w T x + w 0 Vyber
Více2D transformací. červen Odvození transformačního klíče vybraných 2D transformací Metody vyrovnání... 2
Výpočet transformačních koeficinetů vybraných 2D transformací Jan Ježek červen 2008 Obsah Odvození transformačního klíče vybraných 2D transformací 2 Meto vyrovnání 2 2 Obecné vyjádření lineárních 2D transformací
VíceLaboratoř RTG tomografice CET
Výzkumná zpráva Pro projekt NAKI DF12P01OVV020 Komplexní metodika pro výběr a řemeslné opracování náhradního kamene pro opravy kvádrového zdiva historických objektů Laboratoř RTG tomografice CET Vypracovala:
VíceZpracování digitalizovaného obrazu (ZDO) - Popisy III
Zpracování digitalizovaného obrazu (ZDO) - Popisy III Statistické popisy tvaru a vzhledu Ing. Zdeněk Krňoul, Ph.D. Katedra Kybernetiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Zpracování
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
VíceMěření fluorescence chlorofylu hedery helix
Měření fluorescence chlorofylu hedery helix V rámci cvičení blokového semináře PV225 Laboratoř systémové biologie Jan Kotrs, 2010 Cíl projektu Cílem laboratorní části bylo porovnání fotosyntetických schopností
VíceJasové transformace. Karel Horák. Rozvrh přednášky:
1 / 23 Jasové transformace Karel Horák Rozvrh přednášky: 1. Úvod. 2. Histogram obrazu. 3. Globální jasová transformace. 4. Lokální jasová transformace. 5. Bodová jasová transformace. 2 / 23 Jasové transformace
VíceMěření dat Filtrace dat, Kalmanův filtr
Měření dat Filtrace dat, Matematické metody pro ITS (11MAMY) Jan Přikryl Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 3. přednáška 11MAMY čtvrtek 28. února 2018 verze: 2018-03-21 16:45 Obsah
VíceNumerické metody a programování. Lekce 8
Numerické metody a programování Lekce 8 Optimalizace hledáme bod x, ve kterém funkce jedné nebo více proměnných f x má minimum (maximum) maximalizace f x je totéž jako minimalizace f x Minimum funkce lokální:
VíceSouřadnicové prostory
Prostor objektu Tr. objektu Tr. modelu Prostor scény Souřadnicové prostory V V x, y z x, y z z -z x, y Tr. objektu V =V T 1 T n M Tr. modelu Tr. scény x, y Tr. pohledu Tr. scény Tr. pohledu Prostor pozorovatele
VíceDiskriminační analýza hodnocení rozdílů mezi 2 nebo více skupinami objektů charakterizovanými více znaky
Diskriminační analýza hodnocení rozdílů mezi 2 nebo více skupinami objektů charakterizovanými více znaky Interpretují rozdíly mezi předem stanovenými třídami Cílem je klasifikace objektů do skupin Hledáme
VíceKatedra aplikované matematiky FEI VŠB Technická univerzita Ostrava luk76/la1
Lineární algebra 5. přednáška: Báze a řešitelnost soustav Dalibor Lukáš Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://homel.vsb.cz/ luk76/la1 Text
VíceOBECNÉ METODY VYROVNÁNÍ
OBECNÉ METODY VYROVNÁNÍ HYNČICOVÁ TEREZA, H2IGE1 2014 ÚVOD Z DŮVODU VYLOUČENÍ HRUBÝCH CHYB A ZVÝŠENÍ PŘESNOSTI NIKDY NEMĚŘÍME DANOU VELIČINU POUZE JEDNOU VÝSLEDKEM OPAKOVANÉHO MĚŘENÍ NĚKTERÉ VELIČINY JE
Víceaneb Fluorescence chlorofylu jako indikátor stresu
Měření fotosyntézy rostlin pomocí chlorofylové fluorescence aneb Fluorescence chlorofylu jako indikátor stresu Fotosyntéza: Fotosyntéza je proces, ve kterém je světelná energie zachycena světlosběrnými
Více1. Přednáška. Ing. Miroslav Šulai, MBA
N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy
VíceMožnosti modelování lesní vegetační stupňovitosti pomocí geoinformačních analýz
25. 10. 2012, Praha Ing. Petr Vahalík Ústav geoinformačních technologií Možnosti modelování lesní vegetační stupňovitosti pomocí geoinformačních analýz 21. konference GIS Esri v ČR Lesní vegetační stupně
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
VíceROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky a mezioborových inženýrských studií ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE AUTOREFERÁT DISERTAČNÍ PRÁCE 2005 JOSEF CHALOUPKA
VíceROZ1 CVIČENÍ VI. Geometrická registrace (matching) obrazů
ROZ1 CVIČENÍ VI. Geometrická registrace (matching) obrazů REGISTRACI OBRAZU (IMAGE REGISTRATION) Více snímků téže scény Odpovídající pixely v těchto snímcích musí mít stejné souřadnice Pokud je nemají
VíceZPRACOVÁNÍ PROTOKOLU Z ELEKTRICKÝCH MĚŘENÍ. Úvodní strana. Úvodní strana má jednotný vzhled pro všechny skupiny a pro všechny třídy na naší škole.
ZPRACOVÁNÍ PROTOKOLU Z ELEKTRICKÝCH MĚŘENÍ Úvodní strana Úvodní strana má jednotný vzhled pro všechny skupiny a pro všechny třídy na naší škole. Do úvodní strany se vpisuje šablonou a černým fixem: název
VíceTERMINOLOGIE ... NAMĚŘENÁ DATA. Radek Mareček PŘEDZPRACOVÁNÍ DAT. funkční skeny
PŘEDZPRACOVÁNÍ DAT Radek Mareček TERMINOLOGIE Session soubor skenů nasnímaných během jednoho běhu stimulačního paradigmatu (řádově desítky až stovky skenů) Sken jeden nasnímaný objem... Voxel elementární
VíceVícerozměrné statistické metody
Vícerozměrné statistické metody Vícerozměrné statistické rozdělení a testy, operace s vektory a maticemi Jiří Jarkovský, Simona Littnerová FSTA: Pokročilé statistické metody Vícerozměrné statistické rozdělení
VíceKMA/GPM Barycentrické souřadnice a
KMA/GPM Barycentrické souřadnice a trojúhelníkové pláty František Ježek jezek@kma.zcu.cz Katedra matematiky Západočeské univerzity v Plzni, 2008 19. dubna 2009 1 Trojúhelníkové pláty obecně 2 Barycentrické
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
Metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
VíceKybernetika a umělá inteligence, cvičení 10/11
Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu
VíceHODNOCENÍ ROZDÍLNÝCH REŽIMŮ PŘI PROCESU SPALOVÁNÍ
HODNOCENÍ ROZDÍLNÝCH REŽIMŮ PŘI PROCESU SPALOVÁNÍ Radim Paluska, Miroslav Kyjovský V tomto příspěvku jsou uvedeny poznatky vyplývající ze zkoušek provedených za účelem vyhodnocení rozdílných režimů při
Více7. přednáška Systémová analýza a modelování. Přiřazovací problém
Přiřazovací problém Přiřazovací problémy jsou podtřídou logistických úloh, kde lze obecně říci, že m dodavatelů zásobuje m spotřebitelů. Dalším specifikem je, že kapacity dodavatelů (ai) i požadavky spotřebitelů
VíceImplementace Bayesova kasifikátoru
Implementace Bayesova kasifikátoru a diskriminačních funkcí v prostředí Matlab J. Havlík Katedra teorie obvodů Fakulta elektrotechnická České vysoké učení technické v Praze Technická 2, 166 27 Praha 6
VíceIII. MKP vlastní kmitání
Jiří Máca - katedra mechaniky - B325 - tel. 2 2435 4500 maca@fsv.cvut.cz III. MKP vlastní kmitání 1. Rovnice vlastního kmitání 2. Rayleighova Ritzova metoda 3. Jacobiho metoda 4. Metoda inverzních iterací
VíceŘešení příkladu - klasifikace testovacího subjektu podle minimální vzdálenosti:
Řešení příkladu - klasifikace testovacího subjektu podle minimální vzdálenosti: Postup: I) zvolení metriky pro výpočet vzdáleností dvou bodů II) zvolení metriky pro určení vzdálenosti mezi dvěma množinami
VíceAVDAT Mnohorozměrné metody, metody klasifikace
AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných
VíceSoustavy lineárních rovnic
Přednáška MATEMATIKA č 4 Katedra ekonometrie FEM UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz 27 10 2010 Soustava lineárních rovnic Definice Soustava rovnic a 11 x 1 + a 12 x 2 + + a
VíceSoustavy se spínanými kapacitory - SC. 1. Základní princip:
Obvody S - popis 1 Soustavy se spínanými kapacitory - S 1. Základní princip: Simulace rezistoru přepínaným kapacitorem viz známý obrázek! (a rovnice) Modifikace základního spínaného obvodu: Obr. 2.1: Zapojení
VíceLDA měření nestacionárního proudění v dvourozměrném poli
LDA měření nestacionárního proudění v dvourozměrném poli Pavel Zubík, Ústav vodohospodářského výzkumu. V průběhu roků 1998 a 1999 byla provedena první a druhá etapa měření v rámci grantu GAČR 101/97/0826
Víceobhajoba diplomové práce
České vysoké učení technické v Praze, Fakulta strojní, Ústav mechaniky, biomechaniky a mechatroniky obhajoba diplomové práce v Praze, srpen 2014 autor: vedoucí: Ing. Pavel Steinbauer, Ph.D. Modální zkouška
Více1 Jasové transformace
1 Jasové transformace 1.1 Teoretický rozbor 1.1.1 Princip jasové transformace Jasové transformace představují transformační funkce, které mění vždy určitou hodnotu vstupní jasové funkce na výstupní. Transformace
VíceAlgoritmizace prostorových úloh
INOVACE BAKALÁŘSKÝCH A MAGISTERSKÝCH STUDIJNÍCH OBORŮ NA HORNICKO-GEOLOGICKÉ FAKULTĚ VYSOKÉ ŠKOLY BÁŇSKÉ - TECHNICKÉ UNIVERZITY OSTRAVA Algoritmizace prostorových úloh Úlohy nad rastrovými daty Daniela
VíceMěření dat Filtrace dat, Kalmanův filtr
Měření dat Filtrace dat, Matematické metody pro ITS (11MAMY) Jan Přikryl Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 3. přednáška 11MAMY čtvrtek 28. února 2018 verze: 2018-02-28 12:20 Obsah
VíceHledání optimální polohy stanic a zastávek na tratích regionálního významu
Hledání optimální polohy stanic a zastávek na tratích regionálního významu Václav Novotný 31. 10. 2018 Anotace 1. Dopravní obsluha území tratěmi regionálního významu 2. Cíle výzkumu a algoritmus práce
VíceÚloha - rozpoznávání číslic
Úloha - rozpoznávání číslic Vojtěch Franc, Tomáš Pajdla a Tomáš Svoboda http://cmp.felk.cvut.cz 27. listopadu 26 Abstrakt Podpůrný text pro cvičení předmětu X33KUI. Vysvětluje tři způsoby rozpoznávání
VíceVícerozměrné statistické metody
Vícerozměrné statistické metody Ordinační analýzy principy redukce dimenzionality Jiří Jarkovský, Simona Littnerová FSTA: Pokročilé statistické metody Ordinační analýza a její cíle Cíle ordinační analýzy
VíceJiří Neubauer. Katedra ekonometrie FEM UO Brno
Přednáška č. 11 Katedra ekonometrie FEM UO Brno Jedná se o speciální případ dopravních úloh, řeší např. problematiku optimálního přiřazení strojů na pracoviště. Příklad Podnik má k dispozici 3 jeřáby,
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
Více4 Kriteriální matice a hodnocení variant
4 Kriteriální matice a hodnocení variant V teorii vícekriteriálního rozhodování pracujeme s kritérii, kterých je obecně k, a s variantami, kterých je obecně p. Hodnotu, které dosahuje varianta i pro j-té
VíceMetody zpracování a analýzy medicínských obrazových dat: možnosti využití v neurovědním výzkumu
Metody zpracování a analýzy medicínských obrazových dat: možnosti využití v neurovědním výzkumu Ing. Daniel Schwarz, Ph.D. Bc. Eva Janoušov ová INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ O čem budu mluvit? Neurovědy
VíceBAYESOVSKÉ ODHADY. Michal Friesl V NĚKTERÝCH MODELECH. Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni
BAYESOVSKÉ ODHADY V NĚKTERÝCH MODELECH Michal Friesl Katedra matematiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Slunce Řidiči IQ Regrese Přežití Obvyklý model Pozorování X = (X 1,..., X
Více9 Kolmost vektorových podprostorů
9 Kolmost vektorových podprostorů Od kolmosti dvou vektorů nyní přejdeme ke kolmosti dvou vektorových podprostorů. Budeme se zabývat otázkou, kdy jsou dva vektorové podprostory na sebe kolmé a jak to poznáme.
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceMatice. Přednáška MATEMATIKA č. 2. Jiří Neubauer. Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.
Přednáška MATEMATIKA č. 2 Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz 13. 10. 2010 Uspořádané schéma vytvořené z m n reálných čísel, kde m, n N a 11 a 12 a
VíceZKUŠEBNÍ PROTOKOLY. B1M15PPE / část elektrické stroje cvičení 1
ZKUŠEBNÍ PROTOKOLY B1M15PPE / část elektrické stroje cvičení 1 1) Typy testů 2) Zkušební laboratoře 3) Dokumenty 4) Protokoly o školních měřeních 2/ N TYPY TESTŮ PROTOTYPOVÉ TESTY (TYPOVÁ ZKOUŠKA) KUSOVÉ
VíceTechnisches Lexikon (cz.) 16/10/14
Technický lexikon Pojmy z techniky měření sil a točivých momentů a d a tových listů GTM Technisches Lexikon (cz.) 16/10/14 Úvod V tomto Technickém lexikonu najdete vysvětlení pojmů z techniky měření síly
VíceBPC2E_C09 Model komunikačního systému v Matlabu
BPCE_C9 Model komunikačního systému v Matlabu Cílem cvičení je vyzkoušet si sestavit skripty v Matlabu pro model jednoduchého komunikačního systému pro přenos obrázků. Úloha A. Sestavte model komunikačního
VíceDIGITÁLNÍ FOTOGRAFIE
DIGITÁLNÍ FOTOGRAFIE Petr Vaněček, katedra informatiky a výpočetní techniky Fakulta aplikovaných věd, Západočeská univerzita v Plzni 19. listopadu 2009 1888, Geroge Eastman You press the button, we do
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
VíceNOVÉ METODY HODNOCENÍ OBRAZOVÉ KVALITY
NOVÉ METODY HODNOCENÍ OBRAZOVÉ KVALITY Stanislav Vítek, Petr Páta, Jiří Hozman Katedra radioelektroniky, ČVUT FEL Praha, Technická 2, 166 27 Praha 6 E-mail: svitek@feld.cvut.cz, pata@feld.cvut.cz, hozman@feld.cvut.cz
VíceMATEMATICKÉ PRINCIPY VÍCEROZMĚRNÉ ANALÝZY DAT
8. licenční studium Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie MATEMATICKÉ PRINCIPY VÍCEROZMĚRNÉ ANALÝZY DAT Příklady: ) Najděte vlastní (charakteristická) čísla a vlastní
VíceSVD rozklad a pseudoinverse
SVD rozklad a pseudoinverse Odpřednesenou látku naleznete v kapitole 12 skript Abstraktní a konkrétní lineární algebra. Jiří Velebil: Lineární algebra 19.12.2016: SVD rozklad a pseudoinverse 1/21 Cíle
VíceZákony hromadění chyb.
Zákony hromadění chyb. Zákon hromadění skutečných chyb. Zákon hromadění středních chyb. Tomáš Bayer bayertom@natur.cuni.cz Přírodovědecká fakulta Univerzity Karlovy v Praze, Katedra aplikované geoinformatiky
VíceÍ Č ú Č Š Í Á É Č Č ú š š Ž ž š Ť Ť Ž ž Ó ó Ž ž ž Í ú ž Ť ž ž š ň ž š š Í ž Í ň Ž ň š ó š Ž Ž Í Š ú Í ž ž Í š ž ž Ť š š Ž Ž Á ž ó ž Ť š ž ť š Í ň ť ž Ž ž Ž ž Ť ž šť š ž Ž ň ú ž š ž ú ú ť Ž ň ú š ú ž Ž
Více12. cvičení z PSI prosince (Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem)
cvičení z PSI 0-4 prosince 06 Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem) Z realizací náhodných veličin X a Y s normálním rozdělením) jsme z výběrů daného rozsahu obdrželi
VíceÚSTAV FYZIKÁLNÍ BIOLOGIE JIHOČESKÁ UNIVERZITA V ČESKÝCH BUDĚJOVICÍCH
Projekt ÚSTAV FYZIKÁLNÍ BIOLOGIE JIHOČESKÁ UNIVERZITA V ČESKÝCH BUDĚJOVICÍCH PŘIHLÁŠKA STUDENTSKÉHO PROJEKTU Název projektu: Návrh a implementace procesu zpracování dat, formát MzXML Uchazeč Hlavní řešitel
Vícea) [0,4 b] r < R, b) [0,4 b] r R c) [0,2 b] Zakreslete obě závislosti do jednoho grafu a vyznačte na osách důležité hodnoty.
Příklady: 24. Gaussův zákon elektrostatiky 1. Na obrázku je řez dlouhou tenkostěnnou kovovou trubkou o poloměru R, která nese na povrchu náboj s plošnou hustotou σ. Vyjádřete velikost intenzity E jako
VíceÚvod do mobilní robotiky NAIL028
md at robotika.cz http://robotika.cz/guide/umor08/cs 11. listopadu 2008 1 2 PID Sledování cesty Modely kolových vozidel (1/5) Diferenční řízení tank b Encoder Motor Centerpoint Motor Encoder Modely kolových
VíceDokumentace funkčního vzorku Nástavce pro měření laserovým dálkoměrem na kotevních bodech liniových instalací BOTDA
Dokumentace funkčního vzorku Nástavce pro měření laserovým dálkoměrem na kotevních bodech liniových instalací BOTDA vyvinutého v rámci řešení projektu FR-TI3/609 Výzkum a vývoj detekce a kontrolního sledování
VíceInformatika Kódování. Obsah. Kód. Radim Farana Podklady předmětu Informatika pro akademický rok 2007/2008
Informatika Kódování Radim Farana Podklady předmětu Informatika pro akademický rok 27/28 Obsah Základy pojmy diskrétních kódů. Druhy kódů. Nejkratší kódy. Detekce chyb, Hammingova vdálenost. Kontrolní
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
VíceČíslicové zpracování signálů a Fourierova analýza.
Číslicové zpracování signálů a Fourierova analýza www.kme.zcu.cz/kmet/exm 1 Obsah prezentace 1. Úvod a motivace 2. Data v časové a frekvenční oblasti 3. Fourierova analýza teoreticky 4. Fourierova analýza
VíceOBRAZOVÁ ANALÝZA. Speciální technika a měření v oděvní výrobě
OBRAZOVÁ ANALÝZA Speciální technika a měření v oděvní výrobě Prostředky pro snímání obrazu Speciální technika a měření v oděvní výrobě 2 Princip zpracování obrazu matice polovodičových součástek, buňky
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz IV. LINEÁRNÍ KLASIFIKACE PRINCIPY KLASIFIKACE pomocí diskriminačních funkcí funkcí,
VíceRoman Juránek. Fakulta informačních technologíı. Extrakce obrazových příznaků 1 / 30
Extrakce obrazových příznaků Roman Juránek Ústav počítačové grafiky a multimédíı Fakulta informačních technologíı Vysoké Učení technické v Brně Extrakce obrazových příznaků 1 / 30 Motivace Účelem extrakce
VíceNávrh postupu pro stanovení četnosti překročení 24hodinového imisního limitu pro suspendované částice PM 10
Návrh postupu pro stanovení četnosti překročení 24hodinového imisního limitu pro suspendované částice PM 1 Tento návrh byl vypracován v rámci projektu Technologické agentury ČR č. TA23664 Souhrnná metodika
VíceZápadočeská univerzita v Plzni. Fakulta aplikovaných věd. Ivana Kozlová. Modely analýzy obalu dat
Západočeská univerzita v Plzni Fakulta aplikovaných věd SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU MATEMATICKÉ MODELOVÁNÍ Ivana Kozlová Modely analýzy obalu dat Plzeň 2010 Obsah 1 Efektivnost a její hodnocení 2 2 Základní
VíceStatistické modely tvaru a vzhledu
Kapitola 1 Statistické modely tvaru a vzhledu V této kapitole nastíním problematiku statistických modelů tvaru, jejich využití a metod potřebných pro jejich výpočet a použití. Existují dvě hlavní metody;
VíceRozšířené regulační diagramy
Rozšířené regulační diagramy Menu: QCExpert Rozšířené Následující regulační diagramy jsou významným rozšířením možností nabízených Shewhartovými diagramy. Jsou doporučovány jako jejich alternativa nebo
VíceCvičná bakalářská zkouška, 1. varianta
jméno: studijní obor: PřF BIMAT počet listů(včetně tohoto): 1 2 3 4 5 celkem Cvičná bakalářská zkouška, 1. varianta 1. Matematická analýza Najdětelokálníextrémyfunkce f(x,y)=e 4(x y) x2 y 2. 2. Lineární
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,
VíceÚVOD DO PROBLEMATIKY PIV
ÚVOD DO PROBLEMATIKY PIV Jiří Nožička, Jan Novotný ČVUT v Praze, Fakulta strojní, Ú 207.1, Technická 4, 166 07, Praha 6, ČR 1. Základní princip PIV Particle image velocity PIV je měřící technologie, která
VíceAnalýza dat v GIS. Dotazy na databáze. Překrytí Overlay Mapová algebra Vzdálenostní funkce. Funkce souvislosti Interpolační funkce Topografické funkce
Analýza dat v GIS Dotazy na databáze Prostorové Atributové Překrytí Overlay Mapová algebra Vzdálenostní funkce Euklidovské vzdálenosti Oceněné vzdálenosti Funkce souvislosti Interpolační funkce Topografické
VíceAlgoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů)
Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů) Autor: Vladimir Vapnik Vapnik, V. The Nature of Statistical Learning Theory.
VíceVlastnosti Fourierovy transformace
Vlastnosti Fourierovy transformace Linearita Fourierova transformace je lineární (všechny druhy :-) ), je tedy homogenní a aditivní Homogenita: změna amplitudy v časové oblasti způsobí stejnou změnu amplitudy
VíceAnalýza reziduí gyroskopu
Analýza reziduí gyroskopu Petr Šimeček Cílem studie bylo analyzovat přesnost tří neznámých gyroskopů, jež pro účely této studie budeme nazývat Gyroskop 1, Gyroskop 2 a Gyroskop 3. U prvních dvou gyroskopů
VíceKvaterniony, duální kvaterniony a jejich aplikace
1 / 16 Kvaterniony, duální kvaterniony a jejich aplikace Jitka Prošková Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky 17. 6. 21 2 / 16 Zadání Základní charakteristika tělesa
Více7 Fluorescence chlorofylu in vivo
7 Fluorescence chlorofylu in vivo Petr Ilík KBF a CRH, PřF UP Fluorescence chlorofylu in vivo fluorescence in vivo z chlorofylu a (ostatní přídavné pigmenty přenos energie na chl a) indikátor neschopnosti
VíceTSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY
TSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY V PROSTŘEDÍ MATLAB K. Nováková, J. Kukal FJFI, ČVUT v Praze ÚPŘT, VŠCHT Praha Abstrakt Při rozpoznávání D binárních objektů z jejich diskrétní realizace se využívají
VíceResolution, Accuracy, Precision, Trueness
Věra Fišerová 26.11.2013 Resolution, Accuracy, Precision, Trueness Při skenování se používá mnoho pojmů.. Shodnost měření, rozlišení, pravdivost měření, přesnost, opakovatelnost, nejistota měření, chyba
VícePetr Chvosta. vlevo, bude pravděpodobnost toho, že se tyč na počátku intervalu τ B nachází nad vpravo
MOLEKULÁRNÍ MOTORY Petr Chvosta. Automobil v krupobití aneb brzděním k pohybu Uvažme automobil stojící na mírném svahu a bombardovaný rovnoměrně ze všech stran obrovskými kroupami. Svah stoupá směrem doprava
VíceKatedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group
Vytěžování dat Miroslav Čepek, Filip Železný Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group Evropský sociální fond Praha & EU: Investujeme
VícePozn. 1. Při návrhu aproximace bychom měli aproximační funkci vybírat tak, aby vektory ϕ (i) byly lineárně
9. Řešení typických úloh diskrétní metodou nejmenších čtverců. DISKRÉTNÍ METODA NEJMENŠÍCH ČTVERCŮ použití: v případech, kdy je nevhodná interpolace využití: prokládání dat křivkami, řešení přeurčených
VícePřednáška 1 Úvod do předmětu
Přednáška 1 Úvod do předmětu Miroslav Lávička 1 Email: lavicka@kma.zcu.cz 1 Katedra matematiky, Fakulta aplikovaných věd Západočeská univerzita v Plzni Geometrické vidění světa KMA/GVS ak. rok 2013/2014
VíceAplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
Více7. Analýza rozptylu.
7. Analýza rozptylu. Uvedeme obecnou ideu, která je založena na minimalizaci chyby metodou nejmenších čtverců. Nejdříve uvedeme několik základních tvrzení. Uvažujeme náhodný vektor Y = (Y, Y,..., Y n a
Více