Monte Carlo identifikační strategie pro stavové modely

Simple item page
but.committeeprof. Ing. Pavel Jura, CSc. (předseda) prof. Ing. Vladimír Havlena, CSc. - oponent (člen) prof. Ing. Vladimír Bobál, CSc. (člen) doc. Ing. Ondřej Straka, Ph.D. - oponent (člen) doc. Ing. Petr Blaha, Ph.D. (člen)cs
but.defencePráce obsahuje originální výsledky autora, které jsou přínosem v daném oboru. Přinesl řadu nových algoritmů pro úlohu odhadu stavu a parametrů nelin-stochastických modelů v diskr. čase. Určitou slabinou je volba modelů pro experimentální ověření výsledků.cs
but.jazykangličtina (English)
but.programElektrotechnika a komunikační technologiecs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorPivoňka, Petren
dc.contributor.authorPapež, Milanen
dc.contributor.refereeHavlena,, Vladimíren
dc.contributor.refereeStraka, Ondřejen
dc.date.accessioned2019-06-14T11:03:24Z
dc.date.available2019-06-14T11:03:24Z
dc.date.created2019cs
dc.description.abstractStavové modely jsou neobyčejně užitečné v mnoha inženýrských a vědeckých oblastech. Jejich atraktivita vychází především z toho faktu, že poskytují obecný nástroj pro popis široké škály dynamických systémů reálného světa. Nicméně, z důvodu jejich obecnosti, přidružené úlohy inference parametrů a stavů jsou ve většině praktických situacích nepoddajné. Tato dizertační práce uvažuje dvě zvláště důležité třídy nelineárních a ne-Gaussovských stavových modelů: podmíněně konjugované stavové modely a Markovsky přepínající nelineární modely. Hlavní rys těchto modelů spočívá v tom, že---navzdory jejich nepoddajnosti---obsahují poddajnou podstrukturu. Nepoddajná část požaduje abychom využily aproximační techniky. Monte Carlo výpočetní metody představují teoreticky a prakticky dobře etablovaný nástroj pro řešení tohoto problému. Výhoda těchto modelů spočívá v tom, že poddajná část může být využita pro zvýšení efektivity Monte Carlo metod tím, že se uchýlíme k Rao-Blackwellizaci. Konkrétně, tato doktorská práce navrhuje dva Rao-Blackwellizované částicové filtry pro identifikaci buďto statických anebo časově proměnných parametrů v podmíněně konjugovaných stavových modelech. Kromě toho, tato práce adoptuje nedávnou particle Markov chain Monte Carlo metodologii pro návrh Rao-Blackwellizovaných částicových Gibbsových jader pro vyhlazování stavů v Markovsky přepínajících nelineárních modelech. Tyto jádra jsou posléze použity pro inferenci parametrů metodou maximální věrohodnosti v uvažovaných modelech. Výsledné experimenty demonstrují, že navržené algoritmy překonávají příbuzné techniky ve smyslu přesnosti odhadu a výpočetního času.en
dc.description.abstractState-space models are immensely useful in various areas of science and engineering. Their attractiveness results mainly from the fact that they provide a generic tool for describing a wide range of real-world dynamical systems. However, owing to their generality, the associated state and parameter inference objectives are analytically intractable in most practical cases. The present thesis considers two particularly important classes of nonlinear and non-Gaussian state-space models: conditionally conjugate state-space models and jump Markov nonlinear models. A key feature of these models lies in that---despite their intractability---they comprise a tractable substructure. The intractable part requires us to utilize approximate techniques. Monte Carlo computational methods constitute a theoretically and practically well-established tool to address this problem. The advantage of these models is that the tractable part can be exploited to increase the efficiency of Monte Carlo methods by resorting to the Rao-Blackwellization. Specifically, this thesis proposes two Rao-Blackwellized particle filters for identification of either static or time-varying parameters in conditionally conjugate state-space models. Furthermore, this work adopts recent particle Markov chain Monte Carlo methodology to design Rao-Blackwellized particle Gibbs kernels for state smoothing in jump Markov nonlinear models. The kernels are then used to facilitate maximum likelihood parameter inference in the considered models. The resulting experiments demonstrate that the proposed algorithms outperform related techniques in terms of the estimation precision and computational time.cs
dc.description.markPcs
dc.identifier.citationPAPEŽ, M. Monte Carlo identifikační strategie pro stavové modely [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019.cs
dc.identifier.other117871cs
dc.identifier.urihttp://hdl.handle.net/11012/175833
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectSekvenční Monte Carloen
dc.subjectparticle Markov chain Monte Carloen
dc.subjectnelineární a ne-Gaussovské stavové modelyen
dc.subjectpodmíněně konjugované stavové modelyen
dc.subjectMarkovsky přepínající nelineární modelyen
dc.subjectinference stavů a parametrůen
dc.subjectidentifikace statických a časově proměnných parametrůen
dc.subjectSequential Monte Carlocs
dc.subjectparticle Markov chain Monte Carlocs
dc.subjectnonlinear and non-Gaussian state-space modelscs
dc.subjectconditionally conjugate state-space modelscs
dc.subjectjump Markov nonlinear modelscs
dc.subjectstate and parameter inferencecs
dc.subjectidentification of static and time-varying parameterscs
dc.titleMonte Carlo identifikační strategie pro stavové modelyen
dc.title.alternativeMonte Carlo-Based Identification Strategies for State-Space Modelscs
dc.typeTextcs
dc.type.driverdoctoralThesisen
dc.type.evskpdizertační prácecs
dcterms.dateAccepted2019-05-16cs
dcterms.modified2019-05-16-12:40:36cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid117871en
sync.item.dbtypeZPen
sync.item.insts2021.11.12 10:22:47en
sync.item.modts2021.11.12 09:33:41en
thesis.disciplineKybernetika, automatizace a měřenícs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav automatizace a měřicí technikycs
thesis.levelDoktorskýcs
thesis.namePh.D.cs
Files
Original bundle
Now showing 1 - 5 of 6
Thumbnail Image
Name:
final-thesis.pdf
Size:
3.26 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
Posudek-Oponent prace-oponentsky osudek DP Papez_doc. Straka.pdf
Size:
4.45 MB
Format:
Adobe Portable Document Format
Description:
Posudek-Oponent prace-oponentsky osudek DP Papez_doc. Straka.pdf
Download
Thumbnail Image
Name:
Posudek-Vedouci prace-Posudek skolitele.pdf
Size:
121.69 KB
Format:
Adobe Portable Document Format
Description:
Posudek-Vedouci prace-Posudek skolitele.pdf
Download
Thumbnail Image
Name:
Posudek-Oponent prace-Posudek oponenta prof. Havlena_DP_Ing. Papez.pdf
Size:
682.53 KB
Format:
Adobe Portable Document Format
Description:
Posudek-Oponent prace-Posudek oponenta prof. Havlena_DP_Ing. Papez.pdf
Download
Thumbnail Image
Name:
thesis-1.pdf
Size:
1.57 MB
Format:
Adobe Portable Document Format
Description:
thesis-1.pdf
Download
Collections
2019