Using a Kalman Filter for Estimating a Random Constant Použití Kalmanova filtru pro výpočet odhadu konstantní hodnoty
|
|
- Otakar Navrátil
- před 5 lety
- Počet zobrazení:
Transkript
1 II. Semnar ASR 007 Instruments and Control, Farana, Smutný, Kočí & Babuch (eds) 007, VŠB-TUO, Ostrava, ISB Usng a Kalman Flter for Estmatng a Random Constant Použtí Kalmanova fltru pro výpočet odhadu onstantní hodnoty KUPCZAK, Mare Ing, Katedra ATŘ-35, VŠB-TU Ostrava, 7. lstopadu, Ostrava - Poruba, , mare.upcza.fs@vsb.cz, Abstrat: Tento příspěve se zabývá popsem vytvořené aplační úlohy, terá je určena pro výpočet odhadu onstantní hodnoty z měřeného sgnálu, terý je zatížen šumem měření. Jádrem vytvořené aplační úlohy je použtí adaptvního Kalmanova fltru. Velost výběrového rozptylu šumu měření je použta jao adaptablní parametr Kalmanova fltru. Tato aplační úloha byla mplementována v prostředí dgtálních sgnálových procesorů (DSP), onrétně byl použt 3-btový ADSP-065L DSP procesor, terý umožňuje zpracovávat data ve formátu s plovoucí řádovou čárou. Klíčová slova: dgtální sgnálový procesor, Kalmanův fltr, adaptvní fltrace Úvod V roce 960 publoval R. E. Kalman svou slavnou prác [Kalman, 960] popsující reurzvní řešení problému lneární fltrace dsrétních dat. Kalmanův fltr je množna matematcých rovnc, teré posytují výpočetně vysoce efetvní reurzvní řešení metodou nejmenších čtverců. Tento fltr je vysoce výonný v něola aspetech: pomáhá odhadovat mnulé, současné a doonce budoucí stavy, a to pro systémy, jejchž přesný matematcý pops není znám. Kalmanovy rovnce Kalmanovy rovnce řeší problém nalezení optmálního odhadu stavu x R lneárního dsrétního stochastcého systému, terý lze popsat stavovým rovncem () a (). x A x v, (), y C x w, () de v a w jsou vzorované náhodné posloupnost s normálním rozdělením hustoty pravděpodobnost a s charaterem bílého šumu. azývají se šum procesu a šum měření. Kalmanovy rovnce pro uvažovaný lneární dsrétní stochastcý systém () a () jsou následující. x ˆ A xˆ, (3), T A, P A, Q T T P C ( C P C R xˆ K ( y C xˆ ) P K C P P, (4) K ), (5) xˆ P, (6), (7) n
2 de x je aprorní odhad stavu, xˆ je aposterorní odhad stavu, je ovaranční matce ˆ chyb aprorního odhadu stavu, P je ovaranční matce chyb aposterorního odhadu stavu, K je tzv. Kalmanovo zesílení, Q je ovaranční matce šumu procesu a R je ovaranční matce šumu měření. Ja je vdět ze vztahů (3)-(7), Kalmanovy rovnce představují algortmus, terý generuje posloupnost lneárních odhadů stavu (aprorní a aposterorní) a posloupnost ovarančních matc chyb těchto odhadů. Tento algortmus je tvořen dvěm podmnožnam. První podmnožnu tvoří rovnce (3) a (4). Jedná se o vztahy, pomocí nchž je možno určt aprorní odhad stavu x v rou měření a němu příslušnou ovaranční matc chyby tohoto ˆ aprorního odhadu stavu P. Souhrnně se tyto dvě rovnce označují jao tzv. časový nebo predční ro algortmu. Druhou podmnožnu tvoří vztahy (5)-(7). Jedná se o rovnce, pomocí terých lze určt aposterorní odhad stavu xˆ, velost Kalmanova zesílení K v rou a příslušnou ovaranční matc chyby tohoto aposterorního odhadu stavu P. Souhrnně se tyto tř rovnce označují jao tvz. datový nebo oreční ro algortmu. Tento algortmus je symbolcy naznačen na obr.. P Obráze Grafcé znázornění algortmu Kalmanova fltru Význam Kalmanova zesílení K Kalmanovo zesílení (5) je v odborné lteratuře [Welch a Bshop, 006, Wellng, 986] odvozováno ta, aby mnmalzovalo ovaranční matc chyby aposterorního odhadu stavu. Vlv Kalmanova zesílení je následující. Jestlže se ovaranční matce šumu měření P
3 R blíží nule, pa Kalmanovo zesílení chyby aposterorního odhadu stavu lm K R 0 C P K má větší vlv na hodnotu ovaranční matce, neboť platí následující lmta., (8) a druhou stranu, jestlže se ovaranční matce chyby aprorního odhadu stavu nule, pa Kalmanovo zesílení K má menší vlv, neboť platí následující lmta. P blíží lm K 0, (9) P 0 Jným slovy lze význam Kalmanova zesílení K popsat následovně. Jestlže se ovaranční matce šumu měření R blíží nule, pa atuální měření je považováno za věrohodnější, zatímco predované měření je považováno za méně věrohodné. a druhé straně, jestlže ovaranční matce chyby aprorního odhadu stavu pa atuální měření C xˆ y je považováno za věrohodnější. C xˆ se blíží nule, je považováno za méně věrohodné, zatímco predované měření Význam ovarančních matc šumu procesu a šumu měření Př realzac aplace využívající Kalmanovy rovnce je nutné defnovat onrétní tvar ovaranční matc šumu procesu Q a ovaranční matc šumu měření R. Jelož šum procesu v šum měření w jsou chápány jao sgnály s normálním rozdělením hustoty pravděpodobnost, jsou tyto ovaranční matce dagonální, jejchž prvy na hlavní dagonále mají velost rovnu rozptylu těchto sgnálů. Zatímco v prax není problémem šum měření w zísat onrétním měřením a z něj vypočítat odhad velost jeho rozptylu a tím určt ovaranční matc šumu měření R, určt ovaranční matc šumu procesu Q není ta snadné. Většnou se pomocí ní popsuje nejstota mez sutečným procesem a procesem popsaným pomocí stavového modelu. Určení onrétních tvarů těchto matc bývá v prax většnou na předem zaznamenaných datech z měření. Ovšem mohou být předmětem jejch nalezení během fltračního procesu. 3 Reurentní výpočet parametrů rozdělení náhodných velčn Adaptblnost vytvořené aplace spočívá v průběžném počítání odhadu velost rozptylu šumu měření w př samotném procesu fltrování, pomocí něhož je atualzována ovaranční matce šumu měření R. Díy tomu je tato aplace použtelná pro procesy zatížené nestaconárním šumem měření w. Číselné charatersty náhodných velčn se vypočítávají na záladě znalost typu rozdělení a velost jejch parametrů [Tůma, 999]. Ja jž bylo výše zmíněno, předpoládá se, že sgnál, terý reprezentuje šum měření w, má normální rozdělení hustoty pravděpodobnost. Toto rozdělení má dva parametry, a to svou střední hodnotu μ a rozptyl σ. Parametry tohoto rozdělení jsou na rozdíl od rovnoměrného rozdělení přímo záladní charatersty normálního rozdělení. Často se velost těchto parametrů určují z naměřených dat. Vždy se jedná o onečný soubor realzací náhodné velčny, terý se nazývá náhodný výběr. Tento náhodný výběr, terý má ústřední význam v matematcé statstce, představuje posloupnost nezávslých a stejně rozdělených náhodných velčn,, K,, de je rozsah výběru. Z náhodného výběru se vypočte výběrový průměr (0) a výběrový rozptyl m (), y P 3
4 přčemž m se nazývá výběrová směrodatná odchyla. Pro výhodnější lmtní vlastnost se používá taé velčna S ()., (0) m ( ) () S ( ) () Výběrový průměr a výběrový rozptyl jsou náhodné velčny, pro teré lze spočítat taé jejch číselné charatersty, napřílad střední hodnotu a rozptyl. echť rozdělení velčn z výběru má střední hodnotu μ a rozptyl σ. Je žádoucí, aby střední hodnota výběrového { } μ průměru byla shodná se střední hodnotou velčn výběru, tj. E. Této vlastnost výběrové charatersty se říá nestranný (nebo nevychýlený) odhad příslušného parametru. Jestlže střední hodnota výběrového průměru není rovna střední hodnotě náhodné velčny, pa se odhad označuje jao vychýlený nebo že není nestranný. Lze doázat, že právě S je nestranný odhad rozptylu, tj. E { S } σ. Další výhodnou vlastností je to, že rozptyl odhadu charaterst se s rostoucím rozsahem výběru snžuje. Lze doázat, že napřílad platí D{ } σ. Aplace určené pro použtí v prostředí dgtálních sgnálových procesorů nemohou být založeny na vztazích jao jsou napřílad (0)-(). Zpracování číslcových sgnálů totž v těchto systémech nelze provádět na naměřených datech. To by s vyžadovalo uládat poměrně velý objem naměřených dat do pamět a taé časovou prodlevu, terá je dána především časem nutným pro jejch zísání. Obecnou nevýhodou vztahů tohoto typu je nutnost mít dspozc předem zísaný záznam naměřeného sgnálu. Proto bylo přstoupeno nalezení způsobu, ja počítat hodnotu výběrového průměru a výběrového rozptylu průběžně. echť je výběrový průměr pro záznam obsahující vzorů a je výběrový průměr pro záznam obsahující vzorů. (3) Rozdíl mez výběrovým průměrem a výběrovým průměrem, terý obsahuje o jeden vzore delší záznam, nechť je označen Δ. Tyto velčny jsou navzájem svázány rovncí (5). Δ (5) Vztah pro určení tohoto rozdílu (6) lze určt následujícím postupem. Δ ( ) ( ) ( ) ( ) ( ) (4) 4
5 ( Δ ) (6) Dosazením (6) do (5) dostaneme vztah pro výpočet výběrového průměru pro záznam obsahující vzorů (7) na záladě znalost předešlé hodnoty výběrového průměru, terý obsahuje vzorů, a spočítaného přírůstového rozdílu. Výhodou je to, že není potřeba průběžně uládat naměřená data. ( ) (7) Stejným způsobem lze najít vztah pro určení velost výběrového rozptylu pro záznam obsahující vzorů (8) na záladě znalost předešlé hodnoty výběrového rozptylu, jenž obsahuje m,, m vzorů, a spočítaného přírůstového rozdílu. Výhodou tohoto vztahu je opět to, že není potřeba uládat naměřená data. Odvození tohoto vztahu se opírá o následující postup. echť příslušný přírůstový rozdíl, terý je svázán s příslušným výběrovým rozptyly a rovncí.8, je označen m,, m Δ.,, Δ m m (8) Vztah pro určení tohoto rozdílu (9) lze určt následujícím postupem. Δ ( Δ ) (9) 4 Pops vytvořené aplace Vytvořená aplace je určená pro odhad náhodné salární onstanty, terá napřílad může reprezentovat úroveň napětí. Tato aplace předpoládá použtí lneárního dsrétního stochastcého systému, popsaného pomocí stavového modelu (0) a (). v x x (0) w x y () Jedná se o jednorozměrný systém, tzn. že matce a přejdou ve saláry. avíc nechť. Kalmanovy rovnce poté budou mít následující tvary. A C A C 5
6 . predční rovnce x ˆ xˆ () P Q. oreční rovnce P (3) P ( P R xˆ K y xˆ K ) (4) xˆ P (5) P K P (6) Předpoládejme velm malou odchylu šumu procesu v, nechť ovaranční matce (respetve salár) šumu procesu Q má velost Q 0 5 V (respetve Q 0 V pro třetí prezentovaný přílad). Pomocí ní zavedeme určtou nejstotu v popsu reálného systému užtím stavového modelu (0) a (). Vytvořená aplace demonstruje použtí adaptvního Kalmanova fltru a to ta, že se mění velost rozptylu šumu měření w, terý ovlvňuje měření požadovaného sgnálu. Šum měření w je generován jao sgnál s charaterem bílého šumu a lze jej prezentovat pomocí ovaranční matce (respetve salárem) šumu měření R. Ještě je nutné určt, popřípadě odhadnout velost počátečního aposterorního odhadu stavu ˆx 0 a počáteční ovaranční matc (respetve salár) tohoto aposterorního odhadu P0. echť xˆ0 0 a P 0. echť sutečná hodnota měření je onstantní a o velost 0 V, terá je zatížena šumem měření w o rozptylu postupně 0.,,0 V. echť jeho počáteční hodnota je nulová, tj. σ w σ w R 0 V. Úolem vytvořené aplace je odhadnout velost onstantního napětí, přčemž jsou použty vztahy (5)-(9) pro výpočet velost výběrového průměru a výběrového rozptylu m, teré se použjí jao adaptblní parametr Kalmanova fltru ()-(6). Vypočtená velost výběrového rozptylu se totž použje jao parametr R ve vztahu (4) pro výpočet m Kalmanova zesílení, tj. m R. Déla záznamu pro výpočet a m je zvolena hodnota 56. Ja jž bylo výše zmíněno, není potřeba uládat těchto 56 změřených hodnot do datové pamět sgnálového procesoru. 5 Expermentální ověření a obr. -4 jsou zobrazeny výsledy užtí adaptvního Kalmanova fltru, terý je použt pro odhad velost náhodné onstantní hodnoty z měřeného sgnálu, terý je zatížen šumem měření. a obr. má šum měření rozptyl o velost 0, V, na obr. 3 rozptyl o velost V σ w σ w a onečně na obr. 4 rozptyl o velost 0 V. σ w 6
7 Obráze Užtí adaptvního Kalmanova fltru, σ w 0, V Obráze 3 Užtí adaptvního Kalmanova fltru, σ w V Obráze 4 Užtí adaptvního Kalmanova fltru, 0 σ w Modrou barvou je zobrazen původní měřený sgnál, červenou barvou fltrovaný sgnál. a uvedených příladech lze pozorovat, ja se mění vlv fltrování pomocí Kalmanova fltru. Porovnáním výsledů, zobrazených na obr. a obr. 3, lze vypozorovat, že pro nžší hodnotu rozptylu šumu měření se fltr chová ta, že rychlej důvěřuje měřenému sgnálu (vz obr. ), V 7
8 zatímco po zvětšení hodnoty rozptylu šumu měření desetrát, fltr pomalej důvěřuje měřenému sgnálu (vz obr. 3). Výslede třetího procesu fltrování je valtatvně podobný jao na obr., avša musela být změněna hodnota zvoleného rozptylu procesu z hodnoty σ 0 5 v V na σ 0 v V, neboť původně zvolená hodnota nezaručovala správnou funčnost Kalmanova fltru. Dále na obr. ()-(4) jde vdět, že prvních 56 hodnot výstupů Kalmanova fltru je totožný s měřeným sgnálem. Je to dáno počátečním nastavením nulové velost rozptylu šumu měření. Atualzovaná hodnota výběrového průměru a výběrového rozptylu je posytována v aždém 56. rou, protože déla záznamu pro jejch výpočet je zvolena právě 56. Velost daného zpoždění je mnmální, jelož napřílad př nastavení hodnového mtočtu codeu AD89A, jenž je součástí vývojové desy ADSP-065L, na hodnotu Hz, e sběru 56 vzorů dojde přblžně za 5 ms. f S 6 Závěr Do prostředí sgnálového procesoru ADSP-065L byla mplementována aplace, terá doáže provádět odhad velost náhodné onstantní hodnoty. Tato aplace je založena na použtí Kalmanových rovnc, jejchž jedna proměnná je během procesu fltrace průběžně atualzována. Jedná se o proměnnou, terá reprezentuje odhad velost rozptylu šumu měření. Rozptyl tohoto sgnálu je počítán použtím odvozených vztahů pro výpočet výběrového průměru a výběrového rozptylu, jejch výhodou je to, že jejch výpočtu dochází průběžně, tím není potřeba uchovávat měřený sgnál v datové pamět procesoru. 7 Použtá lteratura KALMA, R. E A ew Approach to Lnear Flterng and Predcton Problems. In Transactons of the ASME Journal of Basc Engneerng, 960, č. 8, s Dostupné z www: <URL: 0.pdf> MAYBECK, P. S Stochastc models, estmaton, and control. USA : Academc Press, 979. Dostupný z www: <URL: MOVELLA, J. R Tutoral on the Dscrete Tme Kalman Flter Dostupný z www: <URL: TŮMA, J Složté systémy řízení I. díl: Regulace soustav s náhodným porucham. Ostrava : srpta VŠB-TUO, str. ISB WELCH, G. & BISHOP, G An Introducton to the Kalman Flter Dostupný z www: <URL: WELLIG, M The Kalman Flter Dostupný z www: <URL: 8
7. ZÁKLADNÍ TYPY DYNAMICKÝCH SYSTÉMŮ
7. ZÁKADNÍ TYPY DYNAMICKÝCH SYSTÉMŮ 7.. SPOJITÉ SYSTÉMY Téměř všechny fyzálně realzovatelné spojté lneární systémy (romě systémů s dopravním zpožděním lze vytvořt z prvů tří typů: proporconálních členů
Více1. Úvod do základních pojmů teorie pravděpodobnosti
1. Úvod do záladních pojmů teore pravděpodobnost 1.1 Úvodní pojmy Většna exatních věd zobrazuje své výsledy rgorózně tj. výsledy jsou zísávány na záladě přesných formulí a jsou jejch nterpretací. em je
VíceANOVA. Analýza rozptylu při jednoduchém třídění. Jana Vránová, 3.lékařská fakulta UK, Praha
ANOVA Analýza rozptylu př jednoduchém třídění Jana Vránová, 3.léařsá faulta UK, Praha Teore Máme nezávslých výběrů, > Mají rozsahy n, teré obecně nemusí být stejné V aždém z nch známe průměr a rozptyl
Více2.4. DISKRÉTNÍ SIGNÁLY Vzorkování
.4. DISKRÉTÍ SIGÁLY.4.. Vzorování Vzorování je nejběžnější způsob vznu dsrétních sgnálů ze sgnálů spojtých. Předpoládejme, že spojtý sgnál (t) je přveden na spínač, terý se velce rátce sepne aždých T vz
VícePříklady: - počet členů dané domácnosti - počet zákazníků ve frontě - počet pokusů do padnutí čísla šest - životnost televizoru - věk člověka
Náhodná veličina Náhodnou veličinou nazýváme veličinu, terá s určitými p-stmi nabývá reálných hodnot jednoznačně přiřazených výsledům příslušných náhodných pousů Náhodné veličiny obvyle dělíme na dva záladní
VíceIdentifikace dynamických vlastností soustavy s ruční zpětnou vazbou
Proceedngs of Internatonal Scentfc Conference of FME Sesson 4: Automaton Control and Appled Informatcs Paper 4 Identface dnamcých vlastností soustav s ruční pětnou vabou TŮMA, Jří DocIngCSc, VŠB - T Ostrava,
VíceHodnocení přesnosti výsledků z metody FMECA
Hodnocení přesnosti výsledů z metody FMECA Josef Chudoba 1. Úvod Metoda FMECA je semivantitativní metoda, pomocí teré se identifiují poruchy s významnými důsledy ovlivňující funci systému. Závažnost následů
VíceMatematika I A ukázkový test 1 pro 2018/2019
Matematka I A ukázkový test 1 pro 2018/2019 1. Je dána soustava rovnc s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napšte Frobenovu větu (předpoklady + tvrzení). b) Vyšetřete
VíceÚvod do Kalmanova filtru
Kalmanův filtr = odhadovač stavu systému Úvod do Kalmanova filtru KF dává dohromady model systému a měření. Model systému použije tomu, aby odhadl, ja bude stav vypadat a poté stav porovná se sutečným
VíceANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN
ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN V dokumentu 7a_korelacn_a_regresn_analyza jsme řešl rozdíl mez korelační a regresní analýzou. Budeme se teď věnovat pouze lneárnímu vztahu dvou velčn, protože je nejjednodušší
Vícesymetrická rovnice, model Redlich- Kister dvoukonstantové rovnice: Margules, van Laar model Hildebrandt - Scatchard mřížková teorie roztoků příklady
symetrcá rovnce, model Redlch- Kster dvouonstantové rovnce: Margules, van Laar model Hldebrandt - Scatchard mřížová teore roztoů přílady na procvčení 0 lm Bnární systémy: 0 atvtní oefcenty N I E N I E
VíceSP2 Korelační analýza. Korelační analýza. Libor Žák
Korelačí aalýza Přpomeutí pojmů áhodá proměá áhodý vetor áhodý vetor Náhodý výběr: pro áhodou proměou : pro áhodý vetor : pro áhodý vetor : Přpomeutí pojmů - ovarace Kovarace áhodých proměých ovaračí oefcet
Víceu (x i ) U i 1 2U i +U i+1 h 2. Na hranicích oblasti jsou uzlové hodnoty dány okrajovými podmínkami bud přímo
Metoda sítí základní schémata h... krok sítě ve směru x, tj. h = x x q... krok sítě ve směru y, tj. q = y j y j τ... krok ve směru t, tj. τ = j... hodnota přblžného řešení v uzlu (x,y j ) (Possonova rovnce)
Víceina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou)
Náhodná velčna na Výsledek náhodného pokusu, daný reálným číslem je hodnotou náhodné velčny. Náhodná velčna je lbovolná reálná funkce defnovaná na množně elementárních E pravděpodobnostního prostoru S.
VíceBuckinghamův Π-teorém (viz Barenblatt, Scaling, 2003)
Bucinghamův Π-teorém (viz Barenblatt, Scaling, 2003) Formalizace rozměrové analýzy ( výsledné jednoty na obou stranách musí souhlasit ). Rozměr fyziální veličiny Mějme nějaou třídu jednote, napřílad [(g,
VíceAgregace vzájemné spojování destabilizovaných částic ve větší celky, případně jejich adheze na povrchu jiných materiálů
Agregace - úvod 1 Agregace vzáemné spoování destablzovaných částc ve větší cely, případně ech adheze na povrchu ných materálů Částce mohou agregovat, poud vyazuí adhezní schopnost a poud e umožněno ech
VíceSIMULACE. Numerické řešení obyčejných diferenciálních rovnic. Měřicí a řídicí technika magisterské studium FTOP - přednášky ZS 2009/10
SIMULACE numercké řešení dferencálních rovnc smulační program dentfkace modelu Numercké řešení obyčejných dferencálních rovnc krokové metody pro řešení lneárních dferencálních rovnc 1.řádu s počátečním
VíceNUMERICAL INTEGRATION AND DIFFERENTIATION OF SAMPLED TIME SIGNALS BY USING FFT
NUMERICAL INTEGRATION AND DIFFERENTIATION OF SAMPLED TIME SIGNALS BY USING FFT J. Tuma Summary: The paper deals wth dfferentaton and ntegraton of sampled tme sgnals n the frequency doman usng the FFT and
VíceMatematické modelování turbulence
Matematcé modelování turbulence 1. Reynolds Averaged Naver Stoes (RANS) Řeší se Reynoldsovy rovnce Výsledem ustálené řešení, střední velčny Musí se použít fyzální model pro modelování Reynoldsových napětí
VíceKMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC
Přednáša 02 Přírodovědecá faulta Katedra matematiy KMA/P506 Pravděpodobnost a statistia KMA/P507 Statistia na PC jiri.cihlar@ujep.cz Náhodné veličiny Záladní definice Nechť je dán pravděpodobnostní prostor
VíceČísla a aritmetika. Řádová čárka = místo, které odděluje celou část čísla od zlomkové.
Příprava na cvčení č.1 Čísla a artmetka Číselné soustavy Obraz čísla A v soustavě o základu z: m A ( Z ) a z (1) n kde: a je symbol (číslce) z je základ m je počet řádových míst, na kterých má základ kladný
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Číselné charateristiy náhodných proměnných Charateristiy náhodných proměnných dělíme nejčastěji na charateristiy polohy a variability. Mezi charateristiy polohy se nejčastěji
Více7. TRANSFORMÁTORY. 7.1 Štítkové údaje. 7.2 Měření odporů vinutí. 7.3 Měření naprázdno
7. TRANSFORMÁTORY Pro zjednodušení budeme měření provádět na jednofázovém transformátoru. Na trojfázovém transformátoru provedeme pouze ontrolu jeho zapojení měřením hodinových úhlů. 7.1 Štítové údaje
VíceMOŽNOSTI PREDIKCE DYNAMICKÉHO CHOVÁNÍ LOPAT OBĚŽNÝCH KOL KAPLANOVÝCH A DÉRIAZOVÝCH TURBÍN.
MOŽNOSTI PREDIKCE DYNAMICKÉHO CHOVÁNÍ LOPAT OBĚŽNÝCH KOL KAPLANOVÝCH A DÉRIAZOVÝCH TURBÍN. Mroslav VARNER, Vktor KANICKÝ, Vlastslav SALAJKA ČKD Blansko Strojírny, a. s. Anotace Uvádí se výsledky teoretckých
VíceTestování hypotéz. December 10, 2008
Testování hypotéz December, 2008 (Testování hypotéz o neznámé pravděpodobnosti) Jan a Františe mají pytlíy s uličami. Jan má 80 bílých a 20 červených, Františe má 30 bílých a 70 červených. Vybereme náhodně
VíceKorelační energie. Celkovou elektronovou energii molekuly lze experimentálně určit ze vztahu. E vib. = E at. = 39,856, E d
Korelační energe Referenční stavy Energ molekul a atomů lze vyjádřt vzhledem k různým referenčním stavům. V kvantové mechance za referenční stav s nulovou energí bereme stav odpovídající nenteragujícím
Více1. Spektrální rozklad samoadjungovaných operátorů 1.1. Motivace Vlastní čísla a vlastní vektory symetrické matice 1 1 A = 1 2.
. Spektrální rozklad samoadjungovaných operátorů.. Motvace Vlastní čísla a vlastní vektory symetrcké matce A = A λe = λ λ = λ 3λ + = λ 3+ λ 3 Vlastní čísla jsou λ = 3+, λ = 3. Pro tato vlastní čísla nalezneme
VíceMODELOVÁNÍ A SIMULACE
MODELOVÁNÍ A SIMULACE základní pojmy a postupy vytváření matematckých modelů na základě blancí prncp numerckého řešení dferencálních rovnc základy práce se smulačním jazykem PSI Základní pojmy matematcký
Víceoddělení Inteligentní Datové Analýzy (IDA)
Vytěžování dat Filip Železný Katedra počítačů oddělení Inteligentní Datové Analýzy (IDA) 22. září 2014 Filip Železný (ČVUT) Vytěžování dat 22. září 2014 1 / 25 Odhad rozdělení Úloha: Vstup: data D = {
VíceTepelná kapacita = T. Ē = 1 2 hν + hν. 1 = 1 e x. ln dx. Einsteinův výpočet (1907): Soustava N nezávislých oscilátorů se stejnou vlastní frekvencí má
Tepelná kapacta C x = C V = ( ) dq ( ) du Dulong-Pettovo pravdlo: U = 3kT N C V = 3kN x V = T ( ) ds x Tepelná kapacta mřížky Osclátor s kvantovanou energí E n = ( n + 2) hν má střední hodnotu energe (po
Více7.3.9 Směrnicový tvar rovnice přímky
7.3.9 Směrnicový tvar rovnice přímy Předpolady: 7306 Pedagogicá poznáma: Stává se, že v hodině nestihneme poslední část s určováním vztahu mezi směrnicemi olmých příme. Vrátíme se obecné rovnici přímy:
Více1 Gaussova kvadratura
Cvičení - zadání a řešení úloh Zálady numericé matematiy - NMNM0 Verze z 7. prosince 08 Gaussova vadratura Fat, že pro něterá rovnoměrná rozložení uzlů dostáváme přesnost o stupeň vyšší napovídá, že pro
Víceteorie elektronických obvodů Jiří Petržela syntéza a návrh elektronických obvodů
Jří Petržela yntéza a návrh eletroncých obvodů vtupní údaje pro yntézu obvodu yntéza a návrh eletroncých obvodů vlatnot obvodu obvodové funce parametry obvodu toleranční pole (mtočtové charaterty fltru)
Více3 Bodové odhady a jejich vlastnosti
3 Bodové odhady a jejich vlastnosti 3.1 Statistika (Skripta str. 77) Výběr pořizujeme proto, abychom se (více) dověděli o souboru, ze kterého jsme výběr pořídili. Zde se soustředíme na situaci, kdy známe
VíceCHYBY MĚŘENÍ. uvádíme ve tvaru x = x ± δ.
CHYBY MĚŘENÍ Úvod Představte s, že máte změřt délku válečku. Použjete posuvné měřítko a získáte určtou hodnotu. Pamětlv přísloví provedete ještě jedno měření. Ale ouha! Výsledek je jný. Co dělat? Měřt
VíceSW aplikace MOV přednášky
SW aplace MOV Šubrt KOSA Systémová podpora proetů Teore grafů Proetové řízení I, II zápočet: alespoň bodů z průběžných testů 75% účast na cvčení obhaoba proetů v MS Proect pef.czu.cz/osa Témata. :. seznámení
VíceZáklady teorie odhadu parametrů bodový odhad
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Odhady parametrů Úkolem výběrového šetření je podat informaci o neznámé hodnotě charakteristiky základního souboru
Více9. cvičení 4ST201. Obsah: Jednoduchá lineární regrese Vícenásobná lineární regrese Korelační analýza. Jednoduchá lineární regrese
cvčící 9. cvčení 4ST01 Obsah: Jednoduchá lneární regrese Vícenásobná lneární regrese Korelační analýza Vysoká škola ekonomcká 1 Jednoduchá lneární regrese Regresní analýza je statstcká metoda pro modelování
VíceNumerická matematika 1. t = D u. x 2 (1) tato rovnice určuje chování funkce u(t, x), která závisí na dvou proměnných. První
Numercká matematka 1 Parabolcké rovnce Budeme se zabývat rovncí t = D u x (1) tato rovnce určuje chování funkce u(t, x), která závsí na dvou proměnných. První proměnná t mívá význam času, druhá x bývá
VíceMĚŘENÍ MOMENTU SETRVAČNOSTI Z DOBY KYVU
Úloha č 5 MĚŘENÍ MOMENTU SETRVAČNOSTI Z DOBY KYVU ÚKOL MĚŘENÍ: Určete moment setrvačnosti ruhové a obdélníové desy vzhledem jednotlivým osám z doby yvu Vypočtěte moment setrvačnosti ruhové a obdélníové
Více3 VYBRANÉ MODELY NÁHODNÝCH VELIČIN. 3.1 Náhodná veličina
3 VBRANÉ MODEL NÁHODNÝCH VELIČIN 3. Náhodná velčna Tato kaptola uvádí stručný pops vybraných pravděpodobnostních modelů spojtých náhodných velčn s důrazem na jejch uplatnění př rozboru spolehlvost stavebních
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,
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
VíceFyzikální praktikum č.: 1
Datum: 5.5.2005 Fyziální pratium č.: 1 ypracoval: Tomáš Henych Název: Studium činnosti fotonásobiče Úol: 1. Stanovte závislost oeficientu seundární emise na napětí mezi dynodami. yneste do grafu závislost
VíceNUMP403 (Pravděpodobnost a Matematická statistika I)
NUMP0 (Pravděpodobnost a Matematicá statistia I Střední hodnota disrétního rozdělení. V apce máte jednu desetiorunu, dvě dvacetioruny a jednu padesátiorunu. Zloděj Vám z apsy náhodně vybere tři mince.
Více7.3.9 Směrnicový tvar rovnice přímky
739 Směrnicový tvar rovnice přímy Předpolady: 7306 Pedagogicá poznáma: Stává se, že v hodině nestihneme poslední část s určováním vztahu mezi směrnicemi olmých příme Vrátíme se obecné rovnici přímy: Obecná
VícePřibližné řešení algebraických rovnic
Přblžné řešení lgebrcých rovnc Algebrcou rovncí stupně n nzýváme rovnc =, tj n n x x x =, de n N, x C, oefcenty P n,,, n R, Budeme prcovt s tzv normovou lgebrcou rovncí ( = ) n n x x x = Řešením (ořenem)
Více15 Mletí. I Základní vztahy a definice. Oldřich Holeček (aktualizace v roce 2014 Michal Přibyl & Marek Schöngut)
15 Mletí Oldřch Holeče (atualzace v roce 2014 Mchal Přbyl & Mare Schöngut) I Záladní vztahy a defnce I.1 Úvod Rychlost mnoha chemcých a fyzálních procesů závsí na velost mezfázového povrchu. Je-l v nch
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
VíceMěření indukčností cívek
7..00 Ṫeorie eletromagneticého pole Měření indučností cíve.......... Petr Česá, studijní supina 05 Letní semestr 000/00 . Měření indučností cíve Měření vlastní a vzájemné indučnosti válcových cíve ZAÁNÍ
Více2. Definice pravděpodobnosti
2. Defnce pravděpodobnost 2.1. Úvod: V přírodě se setkáváme a v přírodních vědách studujeme pomocí matematckých struktur a algortmů procesy dvojího druhu. Jednodušší jsou determnstcké procesy, které se
VíceHODNOCENÍ DODAVATELE SUPPLIER EVALUATION
oční 6., Číslo IV., lstopad 20 HODNOCENÍ DODAVATELE SUPPLIE EVALUATION oman Hruša Anotace: Článe se zabývá hodnocením dodavatele pomocí scorng modelu, což znamená vanttatvní hodnocení dodavatele podle
VíceI. D i s k r é t n í r o z d ě l e n í
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
Více4. Třídění statistických dat pořádek v datech
4. Třídění statstcých dat pořáde v datech Záladní členění statstcých řad: řada časová, řada prostorová, řada věcná věcná slovní řada, věcná číselná řada. Záladem statstcého třídění je uspořádání hodnot
VícePravděpodobnost a statistika (BI-PST) Cvičení č. 9
Pravděpodobnost a statistika (BI-PST) Cvičení č. 9 R. Blažek, M. Jiřina, J. Hrabáková, I. Petr, F. Štampach, D. Vašata Katedra aplikované matematiky Fakulta informačních technologií České vysoké učení
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
Vícep(x) = P (X = x), x R,
6. T y p y r o z d ě l e n í Poznámka: V odst. 5.5-5.10 jsme uvedli příklady náhodných veličin a jejich distribučních funkcí. Poznali jsme, že se od sebe liší svým typem. V příkladech 5.5, 5.6 a 5.8 jsme
VíceHUDEBNÍ EFEKT DISTORTION VYUŽÍVAJÍCÍ ZPRACOVÁNÍ PŘÍRŮSTKŮ SIGNÁLŮ ČASOVĚ
HUDEBÍ EFEKT DISTORTIO VYUŽÍVAJÍCÍ ZPRACOVÁÍ PŘÍRŮSTKŮ SIGÁLŮ ČASOVĚ VARIATÍM SYSTÉMEM Ing. Jaromír Mačák Ústav telekomunkací, FEKT VUT, Purkyňova 118, Brno Emal: xmacak04@stud.feec.vutbr.cz Hudební efekt
VíceMATEMATIKA II V PŘÍKLADECH
VYSOKÁ ŠKOL BÁŇSKÁ TECHICKÁ UIVERZIT OSTRV FKULT STROJÍ MTEMTIK II V PŘÍKLDECH CVIČEÍ Č 0 Ing Petra Schreiberová, PhD Ostrava 0 Ing Petra Schreiberová, PhD Vysoá šola báňsá Technicá univerzita Ostrava
VíceIterační výpočty. Dokumentace k projektu pro předměty IZP a IUS. 22. listopadu projekt č. 2
Dokumentace k projektu pro předměty IZP a IUS Iterační výpočty projekt č.. lstopadu 1 Autor: Mlan Setler, setl1@stud.ft.vutbr.cz Fakulta Informačních Technologí Vysoké Učení Techncké v Brně Obsah 1 Úvod...
VíceSPOTŘEBITELSKÝ ÚVĚR. Na začátku provedeme inicializaci proměnných jejich vynulováním příkazem "restart". To oceníme při opakovaném použití dokumentu.
Úloha 1 - Koupě nového televizoru SPOTŘEBITELSKÝ ÚVĚR Chceme si oupit nový televizor v hodnotě 000,-Kč. Bana nám půjčí, přičemž její úroová sazba činí 11%. Předpoládejme, že si půjčujeme na jeden ro a
VíceMOMENT SETRVAČNOSTI. Obecná část Pomocí Newtonova pohybového zákona síly můžeme odvodit pohybovou rovnici pro rotační pohyb:
MOMENT SETRVAČNOST Obecná část Pomocí Newtonova pohybového záona síly můžeme odvodit pohybovou rovnici pro rotační pohyb: dω M = = ε, (1) d t de M je moment vnější síly působící na těleso, ω úhlová rychlost,
VíceInterference na tenké vrstvě
Úloha č. 8 Interference na tenké vrstvě Úkoly měření: 1. Pomocí metody nterference na tenké klínové vrstvě stanovte tloušťku vybraného vlákna nebo vašeho vlasu. 2. Pomocí metody, vz bod 1, stanovte ndex
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY ROZLOŽENÍ PROUDU NA LINEÁRNÍCH ANTÉNÁCH CURRENT DISTRIBUTION ON LINEAR ANTENNAS
VYSOKÉ UČENÍ TECHNCKÉ V BRNĚ BRNO UNVERSTY OF TECHNOLOGY FAKULTA ELEKTROTECHNKY A KOMUNKAČNÍCH TECHNOLOGÍ ÚSTAV RADOELEKTRONKY FACULTY OF ELECTRCAL ENGNEERNG AND COMMUNCATON DEPARTMENT OF RADO ELECTRONCS
VíceSIMULACE A ŘÍZENÍ PNEUMATICKÉHO SERVOPOHONU POMOCÍ PROGRAMU MATLAB SIMULINK. Petr NOSKIEVIČ Petr JÁNIŠ
bstrakt SIMULCE ŘÍZENÍ PNEUMTICKÉHO SERVOPOHONU POMOCÍ PROGRMU MTL SIMULINK Petr NOSKIEVIČ Petr JÁNIŠ Katedra automatzační technky a řízení Fakulta stroní VŠ-TU Ostrava Příspěvek popsue sestavení matematckého
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
VíceDále budeme předpokládat, že daný Markovův řetězec je homogenní. p i1 i 2
4 Markovovy řetězce se nazývá Markovův řetě- Defnce 7 Posloupnost celočíselných náhodných velčn {X n } zec (markovský řetězec), jestlže P(X n+ = j X n = n,, X 0 = 0 ) = P(X n+ = j X n = n ) (7) pro každé
VíceDigitální přenosové systémy a účastnické přípojky ADSL
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechncká LABORATORNÍ ÚLOHA Č. 2 Dgtální přenosové systémy a účastncké přípojky ADSL Vypracoval: Jan HLÍDEK & Lukáš TULACH V rámc předmětu: Telekomunkační
VíceTéma 5: Parametrická rozdělení pravděpodobnosti spojité náhodné veličiny
0.05 0.0 0.05 0.0 0.005 Nomnální napětí v pásnc Std Mean 40 60 80 00 0 40 60 Std Téma 5: Parametrcká rozdělení pravděpodobnost spojté náhodné velčn Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí
VíceJednofaktorová analýza rozptylu
I I.I Jednofaktorová analýza rozptylu Úvod Jednofaktorová analýza rozptylu (ANOVA) se využívá při porovnání několika středních hodnot. Často se využívá ve vědeckých a lékařských experimentech, při kterých
VíceIntervalové odhady. Interval spolehlivosti pro střední hodnotu v N(µ, σ 2 ) Interpretace intervalu spolehlivosti. Interval spolehlivosti ilustrace
Intervalové odhady Interval spolehlivosti pro střední hodnotu v Nµ, σ 2 ) Situace: X 1,..., X n náhodný výběr z Nµ, σ 2 ), kde σ 2 > 0 známe měli jsme: bodové odhady odhadem charakteristiky je číslo) nevyjadřuje
VíceÚvod do teorie odhadu. Ing. Michael Rost, Ph.D.
Úvod do teorie odhadu Ing. Michael Rost, Ph.D. Náhodný výběr Náhodným výběrem ze základního souboru populace, která je popsána prostřednictvím hustoty pravděpodobnosti f(x, θ), budeme nazývat posloupnost
VíceKOMPLEXNÍ ČÍSLA. Algebraický tvar komplexního čísla
KOMPLEXNÍ ČÍSLA Příklad Řešte na množně reálných čísel rovnc: x + = 0. x = Rovnce nemá v R řešení. Taková jednoduchá rovnce a nemá na množně reálných čísel žádné řešení! Co s tím? Zavedeme tzv. magnární
VíceVýběrové charakteristiky a jejich rozdělení
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Statistické šetření úplné (vyčerpávající) neúplné (výběrové) U výběrového šetření se snažíme o to, aby výběrový
VíceVYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY. Disertační práce. 2006 Ing. Jan Fábry
VYSOKÁ ŠKOLA EKOOMICKÁ V PRAZE FAKULTA IFORMATIKY A STATISTIKY Dsertační práce 2006 Ing. Jan Fábry Vysoá šola eonomcá v Praze Faulta nformaty a statsty atedra eonometre Dynamcé oružní a rozvozní úlohy
VíceOtto DVOŘÁK 1 NEJISTOTA STANOVENÍ TEPLOTY VZNÍCENÍ HOŘLAVÝCH PLYNŮ A PAR PARABOLICKOU METODOU PODLE ČSN EN 14522
Otto DVOŘÁK 1 NEJISTOTA STANOVENÍ TEPLOTY VZNÍCENÍ HOŘLAVÝCH PLYNŮ A PAR PARABOLICKOU METODOU PODLE ČSN EN 145 UNCERTAINTY OF DETEMINATION OF THE AUTO-IGNITION TEMPERATURE OF FLAMMABLE GASES OR VAPOURS
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
VíceMocnost bodu ke kružnici
3..0 ocnost bodu e ružnici Předpolady: 309 Př. : Je dána ružnice a bod, ležící vně ružnice. Veď bodem dvě různé sečny ružnice p a p. Průsečíy sečny p,. Průsečíy sečny p,. Změř potřebné vzdálenosti a spočti
VícePřednášky část 4 Analýza provozních zatížení a hypotézy kumulace poškození, příklady. Milan Růžička
Přednášky část 4 Analýza provozních zatížení a hypotézy kumulace poškození, příklady Mlan Růžčka mechanka.fs.cvut.cz mlan.ruzcka@fs.cvut.cz Analýza dynamckých zatížení Harmoncké zatížení x(t) přes soubor
VíceMocnost bodu ke kružnici
3.. ocnost bodu e ružnici Předpolady: 03009 Př. : Je dána ružnice a bod, ležící vně ružnice. Veď bodem dvě různé sečny ružnice p a p. Průsečíy sečny p s ružnicí označ A, B. Průsečíy sečny p s ružnicí označ
VíceMetoda konjugovaných gradientů
0 Metoda onjugovaných gradientů Ludě Kučera MFF UK 11. ledna 2017 V tomto textu je popsáno, ja metodou onjugovaných gradientů řešit soustavu lineárních rovnic Ax = b, de b je daný vetor a A je symetricá
VíceReprezentace přirozených čísel ve Fibonacciho soustavě František Maňák, FJFI ČVUT, 2005
Reprezentace přirozených čísel ve ibonacciho soustavě rantiše Maňá, JI ČVUT, 2005 Úvod Ja víme, přirozená čísla lze vyádřit různými způsoby Nečastěi zápisu čísel používáme soustavu desítovou, ale umíme
VíceAplikace Li-Ma metody na scintigrafické vyšetření příštítných tělísek. P. Karhan, P. Fiala, J. Ptáček
Aplkace L-Ma metody na scntgrafcké vyšetření příštítných tělísek P. Karhan, P. Fala, J. Ptáček Vyšetření příštítných tělísek dagnostka hyperparatyreózy: lokalzace tkáně příštítných tělísek neexstence radofarmaka
VíceOdhad parametrů N(µ, σ 2 )
Odhad parametrů N(µ, σ 2 ) Mějme statistický soubor x 1, x 2,, x n modelovaný jako realizaci náhodného výběru z normálního rozdělení N(µ, σ 2 ) s neznámými parametry µ a σ. Jaký je maximální věrohodný
VíceObsah přednášky. 1. Principy Meta-learningu 2. Bumping 3. Bagging 4. Stacking 5. Boosting 6. Shrnutí
1 Obsah přednášy 1. Principy Meta-learningu 2. Bumping 3. Bagging 4. Stacing 5. Boosting 6. Shrnutí 2 Meta learning = Ensemble methods Cíl použít predici ombinaci více různých modelů Meta learning (meta
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
VíceŘízení projektů. Konstrukce síťového grafu pro řízení projektů Metoda CPM Metoda PERT
Řízení projektů Konstrukce síťového grafu pro řízení projektů Metoda CPM Metoda PERT 1 Úvod základní pojmy Projekt souhrn činností, které musí být všechny realizovány, aby byl projekt dokončen Činnost
VíceMechanické vlastnosti materiálů.
Mechancké vastnost materáů. Obsah přednášky : tahová zkouška, zákadní mechancké vastnost materáu, prodoužení př tahu nebo taku, potencání energe, řešení statcky neurčtých úoh Doba studa : as hodna Cí přednášky
VíceRegresní a korelační analýza
Regresní a korelační analýza Závslost příčnná (kauzální). Závslostí pevnou se označuje případ, kdy výskytu jednoho jevu nutně odpovídá výskyt druhé jevu (a často naopak). Z pravděpodobnostního hledska
VíceČíslicové zpracování a analýza signálů (BCZA) Spektrální analýza signálů
Číslcové zpracování a analýza sgnálů (BCZA) Spektrální analýza sgnálů 5. Spektrální analýza sgnálů 5. Spektrální analýza determnstckých sgnálů 5.. Dskrétní spektrální analýza perodckých sgnálů 5..2 Dskrétní
VíceLineární regrese ( ) 2
Leárí regrese Častým úolem je staoveí vzájemé závslost dvou (č více) fzálích velč a její matematcé vjádřeí. K tomuto účelu se používají růzé regresí metod, pomocí chž hledáme vhodou fuc f (), apromující
VíceNáhodným (stochastickým) procesem nazveme zobrazení, které každé hodnotě náhodnou veličinu X ( t)
MARKOVOVY PROCESY JAKO APARÁT PRO ŘEŠENÍ SPOLEHLIVOSTI VÍCESTAVOVÝCH SYSTÉMŮ Náhodné rocesy Náhodným (stochastckým) rocesem nazveme zobrazení, které každé hodnotě náhodnou velčnu X ( t). Proměnná t má
VíceDefinice spojité náhodné veličiny zjednodušená verze
Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f
VíceZávislost indexů C p,c pk na způsobu výpočtu směrodatné odchylky
Závislost indexů C,C na zůsobu výočtu směrodatné odchyly Ing. Renata Przeczová atedra ontroly a řízení jaosti, VŠB-TU Ostrava, FMMI Podni, terý chce usět v dnešní onurenci, musí neustále reagovat na měnící
VíceÚvod do informatiky. Miroslav Kolařík. Zpracováno dle učebního textu R. Bělohlávka: Úvod do informatiky, KMI UPOL, Olomouc 2008.
Úvod do informatiky přednáška čtvrtá Miroslav Kolařík Zpracováno dle učebního textu R. Bělohlávka: Úvod do informatiky, KMI UPOL, Olomouc 2008. Obsah 1 Pojem relace 2 Vztahy a operace s (binárními) relacemi
VíceModelování a simulace regulátorů a čidel
Modeloání a simulace regulátorů a čidel. Modeloání a simulace PI regulátoru Přenos PI regulátoru je yjádřen následujícím ztahem F( p) = ( + p ) p V Simulinu je tento blo obsažen nihoně prů. Bohužel použití
VícePOUŽITÍ METODY PERT PŘI ŘÍZENÍ PROJEKTŮ
5. Odborná konference doktorského studa s meznárodní účastí Brno 003 POUŽITÍ METODY PERT PŘI ŘÍZEÍ PROJEKTŮ A USAGE OF PERT METHOD I PROJECT MAAGEMET Vladslav Grycz 1 Abstract PERT Method and Graph theory
Více6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu
6. Demonstrační smulační projekt generátory vstupních proudů smulačního modelu Studjní cíl Na příkladu smulačního projektu představeného v mnulém bloku je dále lustrována metodka pro stanovování typů a
VíceUrčujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru.
1 Statistické odhady Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru. Odhad lze provést jako: Bodový odhad o Jedna číselná hodnota Intervalový
VíceLineární a adaptivní zpracování dat. 8. Kumulační zvýrazňování signálů v šumu 2
Lneární a adaptvní zpracování dat 8. Kumulační zvýrazňování sgnálů v šumu 2 Danel Schwarz Investce do rozvoe vzdělávání Opakování Kumulační zpracování sgnálů co to e, k čemu to e? Prncp metody? Nutné podmínky
Více