Lineární a adaptivní zpracování dat. 12. Adaptivní filtrace a predikce III.

Podobné dokumenty
Lineární regrese ( ) 2

Analytické modely systémů hromadné obsluhy

Regrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n

Lineární a adaptivní zpracování dat. 11. Adaptivní filtrace a predikce II.

2.4. INVERZNÍ MATICE

Obyčejné diferenciální rovnice. Cauchyova úloha Dirichletova úloha

Tento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i

Chyby měření: 1. hrubé chyby - nepozornost, omyl, únava pozorovatele... - významně převyšuje rozptyl náhodné chyby 2. systematické chyby - chybné


VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA. VZORCE PRO 4ST201 a 4ST210


VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA VZORCE PRO 4ST201

Interpolace a aproximace. Interpolace algebraickým polynomem a aproximace metodou nejmenších čtverců







VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA. VZORCE PRO 4ST201 a 4ST210

VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA VZORCE PRO 4ST201

Aplikace teorie neuronových sítí


Markovovy řetězce s diskrétním časem (Discrete Time Markov Chain)

k(k + 1) = A k + B. s n = n 1 n + 1 = = 3. = ln 2 + ln. 2 + ln


Doc. Ing. Dagmar Blatná, CSc.


Přednáška č. 2 náhodné veličiny

6.1 Systémy hromadné obsluhy

Směrnice 1/2011 Statistické vyhodnocování dat, verze 3 Verze 3 je shodná s původní Směrnicí 1/2011 verze 2, za čl. 2.3 je vložen nový odstavec


PRAVDĚPODOBNOST ... m n








Analytická geometrie

Cílem kapitoly je zvládnutí řešení determinantů čtvercových matic.








SP2 Korelační analýza. Korelační analýza. Libor Žák

4.2 Elementární statistické zpracování Rozdělení četností

Tento materiál vznikl díky Operačnímu programu Praha Adaptabilita CZ.2.17/3.1.00/33254


Generování dvojrozměrných rozdělení pomocí copulí

VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Katedra statistiky a pravděpodobnosti STATISTIKA VZORCE PRO 4ST201

Elektrické přístroje. Přechodné děje při vypínání



12. Regrese Teoretické základy

MODELY HROMADNÉ OBSLUHY Models of queueing systems

Odhady parametrů základního. Ing. Michal Dorda, Ph.D.

Směrnice 1/2011 Statistické vyhodnocování dat, verze 4 Verze 4 je shodná se Směrnicí 1/2011 verze 3, pouze byla rozšířena o robustní analýzu


1. Základy měření neelektrických veličin

Odhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.

Lineární a adaptivní zpracovní dat. 5. Lineární filtrace: FIR, IIR

Ing. Vladimíra Michalcová, Ph.D. Katedra stavební mechaniky (228)




Způsobilost. Data a parametry. Menu: QCExpert Způsobilost

Mocniny. Mocniny, odmocniny, logaritmy, exponenciála. Obecná mocnina. Mocniny. Odmocniny

Odhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:

procesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze


5 - Identifikace. Michael Šebek Automatické řízení


Budeme pokračovat v nahrazování funkce f(x) v okolí bodu a polynomy, tj. hledat vhodné konstanty c n tak, aby bylo pro malá x a. = f (a), f(x) f(a)

Kopie z

Metody zkoumání závislosti numerických proměnných


PRAVDĚPODOBNOST A STATISTIKA


USTÁLENÉ PROUDĚNÍ V OTEVŘENÝCH KORYTECH




Vícekanálové čekací systémy





I. Exponenciální funkce Definice: Pro komplexní hodnoty z definujeme exponenciální funkci předpisem. z k k!. ( ) e z = k=0


1. Čím se zabývá 4PP? zabývá se určováním deformace a porušováním celistvých těles v závislosti na vnějším zatížení

Lineární a adaptivní zpracovní dat. 4. Lineární filtrace II: FIR, IIR

Závislost indexů C p,c pk na způsobu výpočtu směrodatné odchylky



Geodézie 3 (154GD3) Téma č. 9: Hodnocení a rozbory přesnosti výškových měření.

Transkript:

Leárí a adatví zracováí dat 12. Adatví ftrace a redce III. Dae Scharz Ivestce do rozvoje vzděáváí

Adatví ftrace aace 1. Idetface systémů 2. Potačeí šumu 3. Leárí redce Vždy utá dostuost chybové sevece e(). Zaost/dostuost daších časových řad (vstuy, výstuy, referečí sgáy): ode aace.

Adatví ftrace aace Idetface systému () Bac bo d() + ν() Adatví ftr () d^() + - + e() Př dostuost d() je výočet e() trváí.

Adatví ftrace aace Leárí redce () z -1 + - + e() Adatví ftr () ^() Vz LMS a modeováí AR(2) rocesu v muých ředášách.

Adatví ftrace aace Potačeí šumu ()d()+ν() z - + - + (- ) Adatví ftr () y() e() Časová řada d() je ozorováa jž za řítomost rušvé sožy ν(). Předoad: ν() je reazace rocesu s autooreačí fucí, terá je zaedbateá ro zožděí.

Adatví ftrace otačeí šumu E { } { } 2 + 2E ν ( ) d( ) y( ) { 2( )} 2 e E [ d( ) + ν ( ) y( ) ] { 2 E ν ( ) } + E [ d( ) y( ) ] { [ ]} { ν ( ) [ d( ) y( ) ]} 2E{ ν ( ) y( ) } 2E d() a ν() jsou eoreovaé.

Adatví ftrace otačeí šumu ( ) ( ) ( ) ( ) ( ) [ ] + d y ν ( ) ( ) { } ( ) ( ) ( ) { } ( ) ( ) { } [ ] + E d E y E ν ν ν ν

Adatví ftrace otačeí šumu y ( ) ( ) ( ) [ d( ) + ( ) ] ν E { ν ( ) y( ) } ( ) [ E{ ν ( ) d( ) } + E{ ν ( ) ( ) }] d() a ν() jsou eoreovaé. ν ν() a ν( ) jsou eoreovaé. { ( ) y( ) } E ν

Adatví ftrace aace Potačeí šumu ()d()+ν() z - + - + (- ) Adatví ftr () y() e() E { 2( )} 2 e E ν ( ) {[ ] 2 } { } + E d( ) y( ) Mmazace MSE zde ředstavuje mmazac středí vadratcé chyby mez d() a y(), tz. výstu adatvího ftru je odhadem d() s ejmeší středí vadratcou chybou.

Adatví ftrace RLS RLS ftr recursve east squares ftr FIR ftr stejě jao v říadě LMS jý agortmus ro určeí vah/oefcetů ftru RLS ftr overguje rychej ež LMS ftr LMS { } RLS ε ( ) E e( ) 2 ε ( ) e( ) 2

Adatví ftrace RLS RLS ftr recursve east squares ftr FIR ftr stejě jao v říadě LMS jý agortmus ro určeí vah/oefcetů ftru RLS ftr overguje rychej ež LMS ftr LMS { } RLS ε ( ) E e( ) 2 ε ( ) e( ) 2 Mea squares error MSE Least squares error LSE Mmazace MSE vyroduuje stejé oefcety ftru ro všechy časové řady geerovaé rocesy se stejým statstcým vastostm. Mmazace LSE vede ro růzé časové řady a růzá řešeí oefcetů ftru.

Adatví ftrace RLS Váhovaá LSE ε e ( ) e( ) ˆ < 1, () () () () T d d d () 2, Zaomíací eoecáí fator Posedí moža oefcetů (), terá je ostatí v ceém tervau [,]

Adatví ftrace RLS Váhovaá LSE ε e ( ) e( ) ˆ < 1, () () () () T d d d () 2, Zaomíací eoecáí fator Posedí moža oefcetů (), terá je ostatí v ceém tervau [,] Pro aezeí oefcetů, teré mmazují ε(), oožíme arcáí dervace ε() ode () rovy ue.

Adatví ftrace RLS ( ) ( ) () ( ) ( ) () ( ) () () ( ) ( ) ( ) ( ) ( ) ( ) ( ) d d e e e,1,...,, ε Přehozeí ořadí sumace a řesádáí rovce ( ) ( ) d r R (+1)(+1) eoecáě váhovaá autooreačí matce () Determstcá řížová oreace mez d() a ()

Adatví ftrace RLS ( ) ( ) () ( ) ( ) () ( ) () () ( ) ( ) ( ) ( ) ( ) ( ) ( ) d d e e e,1,...,, ε Přehozeí ořadí sumace a řesádáí rovce ( ) ( ) ( ) () () () () d T d d r R r R Determstcé ormáí rovce

Adatví ftrace RLS R R r d ( ) r ( ) T ( ) () () d d () () 2 H { ε ( ) } d( ) rd ( ) m Determstcé ormáí rovce

Adatví ftrace RLS R R r d ( ) r ( ) T ( ) () () d d () () 2 H { ε ( ) } d( ) rd ( ) m Determstcé ormáí rovce R 1 1 + Δ ( ) r ( ) d 1 Odvozeí reurzvího řešeí. α 1 + α ( ) g( ) T ( ) d ( ) ( ) 1 Kamaovo zesíeí (Kama gas)

Adatví ftrace RLS Parametry: řád ftru Eoecáí zaomíací fator δ Icazace P() Icazace: P()δ -1 I Výočet: Iverzí autooreačí matce () a ror error Pro 1,2, vyočt: z g α P ( ) P( 1) ( ) ( ) z ( ) ( ) ( ) T + z T ( ) d ( ) 1( ) + α ( ) g( ) 1 1 1 [ ] H ( ) P( 1) g( ) z ( )

Adatví ftrace Výočetí áročost RLS agortmus: LMS agortmus: 2 oerací (ásobeí a sčítáí) oerací

Adatví ftrace agortmy aá Hayes M.H.

Adatví ftrace agortmy aá Hayes M.H.

Adatví ftrace agortmy aá Hayes M.H.

ffgf Otázy? scharz@ba.mu.cz 23