HMY 799 1: Αναγνώριση Συστημάτων
|
|
- בַּעַל־זְבוּל Ζερβός
- 8 χρόνια πριν
- Προβολές:
Transcript
1 HMY 799 : Αναγνώριση Συστημάτων Διαλέξεις 7 8 Μέθοδοι πρόβλεψης σφάλματος (prediction error methods) Συνέχεια Σήματα εισόδου Instrumental variable methods
2 Η γραμμικής παλινδρόμηση μπορεί να εφαρμοστεί ως έχει μόνο σε κάποιες περιπτώσεις παραμετροποιημένων μοντέλων (όπου η έκφραση yt () = φ () tθ εξαρτάται γραμμικά από τις παραμέτρους θ), π.χ.: Μοντέλο ARX A( qyt ) () = Bqut ( ) () +ε () t yt () = φ () tθ φ () t = [ y ( t )... y( t n) ut ( )... ut ( n)] θ = [ a... a b... b ] n Μοντέλο FIR yt () = Bqut ( ) () +ε () t yt () = φ () tθ a [ ] φ() t = u( t )... u( t n ) θ = b... b n b Ελάχιστα τετράγωνα: V ( θ) = y( t) ( t) φ θ t = θ ˆ Φ Τ Φ Φ Τ y = ( ) n b b a θ ˆ () () () () = t t t y t φ φ φ b
3 A ( qyt ) () = B( qut ) () + e() t yt () = φ () tθ + e() t 0 0 Απόκλιση της εκτίμησης: θ ˆ θ 0 = () t () t () t e0() t φ φ φ Για τα παραπάνω αθροίσματα τείνουν στις αντίστοιχες αναμενόμενες τιμές Ε{.} Για να τείνει η εκτίμηση στην πραγματική τιμή των συντελεστών θ 0 για πρέπει: E{ φ() t φ ()} t non singular (εξάρτηση από είσοδο) E{ φ( t) e0 ( t )} = 0: e 0 (t) λευκός θόρυβος ή Ε{e 0 (t)}=0 και δεν υπάρχουν όροι y(t n). Άρα οι εκτιμήσεις μας με τη μέθοδο των ελάχιστων τετραγώνων για το μοντέλο ARX είναι συνεπείς κάτω από συγκεκριμένες προϋποθέσεις Εάν δεν ισχύουν αυτές οι προϋποθέσεις, θα υπάρχει απόκλιση (bias) στις εκτιμήσεις μας, H απόκλιση αυτή μεγαλώνει όσο μικρότερος είναι ο λόγος σήματος προς θόρυβο (SR) Το επίπεδο της απόκλισης που είναι αποδεκτό εξαρτάται από τη συγκεκριμένη εφαρμογή
4 Prediction error methods Μπορούμε να τροποποιήσουμε τη βασική μέθόδο ελάχιστων τετραγώνων ώστε να πάρουμε πιο συνεπείς εκτιμήσεις υπό λιγότερο περιοριστικές συνθήκες. Δύο βασικές κατηγορίες: Ελαχιστοποίηση του σφάλματος πρόβλεψης για πιο λεπτομερείς δομές μοντέλων οι οποίες μοντελοποιούνκαι το θόρυβο (π.χ. χ ARMAX κλπ.) >Μέθοδοι ) πρόβλεψης σφάλματος (prediction error methods) Τροποποίηση των κανονικών εξισώσεων, δηλ. των εξισώσεων που προκύπτουν από το πρόβλημα ελάχιστων τετραγώνων >Instrumental variable methods Οι μέθοδοι πρόβλεψης σφάλματος ελαχιστοποιούν την ποσότητα: V( θ) = ( ef( t, θ)) e ( t, θ) = L( q) ε ( t, θ) F όπου ε (, t θ) = y() t yˆ ( t θ) Μοντέλο ARX ελάχιστα τετράγωνα: Lq ( ) = ( ε ) = ε Γενική διαδικασία: Επιλογή του προγνωστήρα: Συνήθως optimal mean square error predictor > E{ [ y( t) yˆ ( t θ) ] } yˆ( t θ) = H ( q, θ) G( q, θ) u( t) + [ H ( q, θ)] y( t) Επιλογή της δομής μοντέλου: Παραμετροποίηση των G,H (AR, ARMAX κλπ) Επιλογή του κριτηρίου (συναρτηση κόστους cost function): Συνήθως τετραγωνικό κριτήριο Εύρεση του θ που ελαχιστοποιεί το κριτήριο: θˆ = arg min V ( ) Γενικά μη γραμμικό θ θ πρόβλημα βελτιστοποίησης
5 Υπάρχει αναλυτική λύση της θˆ = arg min V? θ ( θ) Τ αι αν ο προγνωστής yt ˆ( θ) = φ ( t) θ είναι γραμμικός ως προς θ και το κριτήριο είναι π.χ. ελάχιστα τετράγωνα Τ V ( θ) = y() t () t φ θ t = Αν ο προγνωστής δεν είναι γραμμική συνάρτηση των παραμέτρων, με άλλα λόγια έχουμε Τ yt ˆ( θ) = φ ( t, θ) θ Επαναληπτικές μέθοδοι (Gauss ewton, ewton Raphson, Gradient Descent κλπ) Τοπικά ελάχιστα, πολυπλοκότητα, σύγκλιση?, αρχικοποίηση
6 Μέθοδοι πρόβλεψης σφάλματος (prediction error methods) Ποια είναι η συμπεριφορά των εκτιμήσεων πρόβλεψης σφάλματος στο όριο, δηλ. για? Υποθέσεις: Τα δεδομένα εισόδου εξόδου είναι στάσιμες διαδικασίες (stationary processes) Η είσοδος είναι επίμονα διεγερτική (persistently exciting) * Ο πίνακας V '' είναι μη ιδιάζων (non singular) τουλάχιστον τοπικά γύρω από τα ελάχιστα ( θ) της V ( θ ) Οι συναρτήσεις μεταφοράς Gq (, θ), Hq (, θ) ομαλές και διαφορίσιμες συναρτήσεις του θ Σχετικά ασθενείς συνθήκες (ισχύουν συνήθως στην πράξη) Ορισμός: Ένα σήμα u(t) λέγεται ότι είναι επίμονα διεγερτικό (persistently exciting) τάξης n αν: Το όριο ϕ υπάρχει uu ( τ) = lim ut ( + τ) ut ( ) Ο πίνακας = Φ uu ϕ (0) ϕ ()... ϕ ( n ) uu uu uu ϕ () ϕ (0)... ϕ ( n ) uu uu uu ( n) = ϕ ( n) ϕ ( n)... ϕ (0) uu uu uu είναι θετικά ορισμένος (positive definite) Για εργοδικές διαδικασίες ο πίνακας αυτός είναι ο πίνακας αλληλοδιακύμανσης (cross covariance matrix) (αν υποθέσουμε ότι η μέση τιμή του u(t) είναι μηδέν), καθώς το παραπάνω όριο ισούται με τον τελεστή αναμενόμενης τιμής Ε{.}
7 Μέθοδοι πρόβλεψης σφάλματος (prediction error methods) Υπενθύμιση Μέθοδος ανάλυσης συσχέτισης (μη παραμετρική αναγνώριση correlation analysis) ϕ (0) ϕ (0) ϕ ()... ϕ ( Μ ) yu uu uu uu g(0) ϕ () ϕ () ϕ (0)... ϕ ( ) g() yu Μ uu uu uu = ϕ ( Μ ) ϕ ( Μ ) ϕ ( Μ ) ϕ (0) g( Μ ) yu uu uu uu Για να υπάρχει μοναδική λύση, πρέπει ο πίνακας ( ) Φ uu να είναι μη ιδιάζων. gˆ = Φ φ uu yu Παραδείγματα: Ο Γκαουσιανός λευκός θόρυβος είναι p.e. οποιασδήποτε τάξης καθώς Φuu ( n ) = σ Ιn >θετικά ορισμένος Το βηματικό σήμα πλάτους σ είναι p.e. τάξης n= μόνο καθώς ϕ τ σ ( ) = Φ ( n uu uu ) nonsingular only for n= Το κρουστικό σήμα δεν είναι p.e. για καμία τάξη καθώς ϕ ( τ ) = 0 Φ ( n) singular for any n uu uu n
8 Σύγκλιση Επειδή μιλάμε για εργοδικά και στάσιμα σήματα το άθροισμα V ( θ) = ε ( t, θ) συγκλίνει: ( ) ( ), V θ V θ as Σημείωση: Στη γενική περίπτωση π.χ. συστήματα πολλαπλών εξόδων μπορούμε να θεωρήσουμε συναρτήσεις κόστους της μορφής: V( θ) = h( R( θ)) Όπου h μονοtoνική αύξουσα συνάρτηση (monotonically increasing) και R ( θ) = ε( t, θ) ε ( t, θ) t = ο πίνακας συνδιασποράς δείγματος (sample covariance matrix), π.χ. μπορεί να έχουμε hr ( (tr: ίχνος (trace) άθροισμα διαγώνιων στοιχείων άθροισμα ( θ)) = trr ( ( θ)) διακυμάνσεων του ε) Και σε αυτή την περίπτωση (λόγω εργοδικότητας) V ( θ) = h( R ( θ)) h( R ( θ)) = V ( θ), as Μπορεί να δειχθεί (επειδή η πιο πάνω σύγκλιση είναι ομοιόμορφη) ότι η εκτίμηση θ συγκλίνει σε ελάχιστο σημείο της V ( θ) για Αυτό ισχύει ακόμη και όταν το σύνολο ˆ Είναι κενό, δηλ. όταν το μοντέλο δεν μπορεί να αναπαραστήσει τέλεια το πραγματικό σύστημα. Σημαντικό αποτέλεσμα, γιατί εγγυάται τη σύγκλιση ακόμη και σε αυτή την περίπτωση: Παίρνουμε μια προσέγγιση που ελαχιστοποιεί τη διακύμανση του σφάλματος
9 Συνέπεια και ασυμπτωτική ανάλυση των εκτιμήσεων Έστω τώρα ότι το σύνολο D δεν είναι κενό, δηλαδή υπάρχει θ 0 ώστε το αληθινό σύστημα να μπορεί να γραφτεί ως yt ( ) = Gq (, θ0) ut ( ) + Hq (, θ0) et ( ), E{ e} = λ ( θ0) Τότε η εκτίμηση PEM θˆθ είναι συνεπής, δηλαδή: θ ˆ θ 0, as ή αλλιώς θ ˆ D Με άλλα λόγια το σύστημα είναι αναγνωρίσιμο (system identifiable) Αν επιπλέον έχουμε μόνο ένα σημείο στο σύνολο D : parameter identifiable Ασυμπτωτική κατανομή των εκτιμήσεων Αν υποθέσουμε ότι το σύστημα είναι parameter identifiable τότε η ασυμπτωτική κατανομή των εκτιμήσεων είναι κανονική και ισχύει: ( θ ˆ θ 0) (0, P ) as όπου ο πίνακας P δίνεται από: Τ { E ( t, ) (, ) } 0 t 0 = λ P = λ ψ θ ψ θ ε (, t θ) ψ(, t θ) = θ λ ( θ ) = E{e } 0 Στην πράξη μπορούμε να εκτιμήσουμε αυτό τον πίνακα από τα δεδομένα μας ως: Τ t t ˆ ˆ P = λ ψ(, θ ) ψ (, θ ) ˆ λ = ε (, t θ )
10 Συνέπεια και ασυμπτωτική ανάλυση των εκτιμήσεων Παράδειγμα: Έστω το μοντέλο ARX Τ A( q) y() t = B( q) u() t + ε () t = φ () t θ+ ε () t Σε αυτή την περίπτωση έχουμε (γραμμική παλινδρόμηση) Άρα ε ( t, θ) ψ(, t θ) = = φ() t θ P = λ [ E{ φ() t φ ()}] t Πως συγκρίνονται αυτά τα αποτελέσματα με την απλή γραμμική παλινδρόμηση (στατικές ανεξάρτητες μεταβλητές)? Υπάρχει μια βασική διαφορά: Στη δυναμική περίπτωση: Η εκτίμηση θˆθ είναι συνεπής (consistent) δηλ. θ ˆ θ 0, as και (ασυμπτωτικά) ( θ ˆ θ 0) (0, P ) as P = λ [ E{ φ() t φ ()}] t = λ φ() t φ () t t = Στη στατική περίπτωση: Για ένα πεπερασμένο αριθμό δεδομένων Η εκτίμηση θˆ είναι αμερόληπτη (unbiased) E{ θˆ } = θ0 και ακολουθεί κανονική κατανομή: ˆ Στην απλούστερη περίπτωση (GW disturbance) ( θ θ0) (0, λ φ( t) φ ( t) ) είδαμε ότι ˆ ( θ θ0) (0, λ φ( t) φ ( t) )
11 Σήματα εισόδου Έχουμε δει ότι το είδος του σήματος εισόδου μπορεί να επηρεάσει σημαντικά τα αποτελέσματα της εκτίμησης ενός συστήματος (παραμετρικής/ μη παραμετρικής) Βασικοί τύποι σημάτων που χρησιμοποιούνται στην πράξη: Βηματικό σήμα Ψευδοτυχαίες δυαδικές ακολουθίες (pseudorandom binary sequences) Διαδικασίες ARMA Άθροισμα ημιτονοειδών σημάτων Τυχαία σήματα που πλησιάζουν το θόρυβο (π.χ. χ σε φυσιολογικά σήματα/συστήματα οι αυθόρμητες διακυμάνσεις «μοιάζουν» με θόρυβο!) Βηματικό σήμα: Περισσότερο χρήσιμο για τον προσδιορισμό χρονικών καθυστερήσεων και σταθερών
12 Σήματα εισόδου Ψευδοτυχαία δυαδική ακολουθία Παίρνει δύο πιθανές τιμές, οι εναλλαγές γίνονται με συγκεκριμένο τρόπο Πλησιάζει ιδιότητες λευκού θορύβου, μπορεί να γίνει υλοποίηση στην πράξη (πχ με shift registers) it Περιοδικό σήμα, συνήθως διαλέγουμε περίοδο ίση ή μεγαλύτερη από τον αριθμό δειγμάτων σε ένα πείραμα Για μια ακολουθία που εναλάσσεται μεταξύ των τιμών α και α και έχει περίοδο Μ: a, τ = 0, ±Μ, ± Μ,... ϕuu ( τ) = a / Μ, αλλιώς M a k Φ ( ω ) uu = ( ) ( M ) ( ) M δ ω + + δ ω π k = m Όσο μεγαλώνει η περίοδος Μ, τόσο πλησιάζουμε τα χαρακτηριστικά του λευκού θορύβου
13 Σήματα εισόδου Διαδικασίες ARMA ut () + aut ( ) an ut ( n) () ( )... ( ) a a = et + cet + + cn et n c c A( qut ) () = Cqet ( )() όπου e(t) λευκός θόρυβος (0,λ ) με άλλα λόγια φιλτραρισμένος λευκός θόρυβος Ανάλογα με την επιλογή των φίλτρων μπορούμε να πάρουμε μια μεγάλη ποικιλία φασματικών χαρακτηριστικών Φάσμα: C ( ω ) Φ uu ( ω ) = λ A( ω) i 0 Μηδενικά του Α(ω) κοντά στο μοναδιαίο κύκλο (π.χ. στο e ± ω ) > το φάσμα του u έχει κορυφές κοντά στη συχνότητα συντονισμού (resonance frequency) ω 0 i ± ω 0 Αναλόγως, μηδενικά του Β(ω) κοντά στο e > > οι συνιστώσες του φάσματος του u κοντά στο ω 0 αμελητέες Παρ: ARMA(,)
14 Άθροισμα ημιτονοειδών σημάτων m ut () = a sin( ω t+ ϕ ) j= j j j Σήματα εισόδου Επιλογή των a j, ω j, ϕ j Αυτοσυσχέτιση m a j ϕ uu ( τ ) = cos( ωτ j + ϕ j ) j= m a j Φάσμα Φ uu ( ω) = [ δω ( ωj ) + δω ( + ωj )] 4 j= Παρ: Άθροισμα 4 ημιτόνων
15 Σήματα εισόδου Γενικές παρατηρήσεις για τα σήματα εισόδου Η επιλογή της εισόδου επηρεάζει σημαντικά την ποιότητα του εκτιμώμενου μοντέλου Η εκτίμηση ενός συστήματος γίνεται καλύτερη (πιο ακριβής) για πιο «πλούσια» σήματα εισόδου (ιδανικά λευκός θόρυβος, pe p.e. για κάθε τάξη) Η εκτίμηση είναι πιο ακριβής στη ζώνη συχνοτήτων στην οποία το σήμα εισόδου έχει το μεγαλύτερο μέρος της ενέργειάς του Αν ξέρουμε ότι πχ έχουμε ένα σύστημα με βαθυπερατά χαρακτηριστικά μπορούμε να σχεδιάσουμε ανάλογα και την είσοδο Γενικά, το σήμα εισόδου θα πρέπει να διεγείρει τις συχνότητες του συστήματος που μας ενδιαφέρουν Φυσικά, μπορεί να υπάρχουν περιορισμοί στο είδος της εισόδου που μπορούμε να εφαρμόσυμε
16 Μέθοδοι συμβαλλουσών μεταβλητών (Instrumental variable methods) Επιστρέφουμε στο βασικό αποτέλεσμα ελάχιστων τετραγώνων για δυναμικά μοντέλα. Είδαμε ότι: A ( qyt ) () = B( qut ) () + e() t A( qyt ) () = Bqut ( ) () + ε () t yt () = φ () t θ t = t θ +ε t 0 + e0() t y() φ () () Αληθινό σύστημα θ ˆ = () t () t () t y() t φ φ φ 0 0 θ ˆ θ = () t () t () t e () t φ φ φ Μοντέλο Οι εκτιμήσεις αυτές είναι συνεπείς μόνο υπό συγκεκριμένες συνθήκες ( E{ φ( t) e0 ( t )} = 0) που συχνά δεν πληρούνται στην πράξη Ένας τρόπος για να πάρουμε συνεπείς εκτιμήσεις είναι οι μέθοδοι πρόβλεψης σφάλματος, στις οποίες μοντελοποιήσαμε το θόρυβο: Αρκετά μεγάλη ευελιξία Επιθυμητές ιδιότητες (Σύγκλιση Συνέπεια) Υπολογιστικά πιο πολύπλοκες (υπολογισμός παραγώγων της συνάρτησης κόστους) Άλλος τρόπος: Μέθοδοι συμβαλλουσών μεταβλητών (Instrumental variable methods) Απλούστερες υπολογιστικά, λιγότερο ισχυρές ως προς τις ιδιότητες Κρατάμε τη γενική δομή ελάχιστων τετραγώνων
17 Instrumental variable methods Βασική ιδέα: Αν βρούμε ένα διάνυσμα z(t) διάστασεων dx το οποίο είναι ασυσχέτιστο με το θόρυβο ε(t), δηλαδή (για μεγάλο ) και εφόσον E{ z() t ε ()} t = 0 Τ 0 = z() t ε () t = z()[ t y() t φ () t θ] Η παραπάνω σχέση μπορεί να γραφεί σε μορφή πινάκων: Zy = ZΦθ Διαστάσεις: Ζ: dx, y: x, Φ: xd, θ: dx Ο πίνακας ΖΦ είναι τετραγωνικός (dxd), άρα η λύση της παραπάνω εξίσωσης είναι: ˆ ( ) θ = ZΦ Zy ήισοδύναμα: θ ˆ () = t () t () t y () t z φ z Στοιχεία του z(t): instruments Για z(t)=φ(t) καταλήγουμε στην απλή εκτίμηση ελάχιστων τετραγώνων Προφανώς η επιλογή του z(t) έχει μεγάλη σημασία. Θα πρέπει να πληρούνται δύο συνθήκες: () Τα z,ε πρέπει να είναι ασυσχέτιστα, δηλ. E{ z() t ε ()} t = 0 () Ο πίνακας ZΦ = z() t φ () t E{() z t φ ()} t t = θα πρέπει να είναι πλήρους βαθμού (full rank) άρα αντιστρέψιμος
18 Instrumental variable methods Στην πράξη μπορούμε να επιλέξουμε το διάνυσμα των instruments z(t) ως χρονικά καθυστερημένες τιμές ή/και φιλτραρισμένες τιμές της εισόδου u(t). Π.χ. συχνά διαλέγουμε το διάνυσμα z(t) ως: z( t) = [ n( t )... n( t n ) u( t )... u( t n )] Υπενθύμιση: Στα απλά ελάχιστα τετράγωνα είχαμε φ() t = [ yt ( )... yt ( n) ut ( )... ut ( n)] a a όμως στη γενική περίπτωση οι προηγούμενες τιμές της εξόδου είναι συσχετισμένες με το ε(t). Αντίθετα, ο σκοπός εδώ είναι οι τιμές n(t-),,n(t-n a ) να είναι ασυσχέτιστες με το e(t). Επειδή υποθέτουμε πως η είσοδος u(t) και ο θόρυβος είναι ασυσχέτιστες μπορούμε να πάρουμε το n(t) φιλτράροντας την είσοδο u(t), δηλ: Cqnt ( ) ( ) = Dqut ( ) ( ) Παράδειγμα: Για C(q)= και D(q)=-q -na παίρνουμε: z( () t = [ u ( t )... u( t n )... u( t n n )] a a b b b
19 Extended instrumental variable methods Μπορούμε να γενικεύσουμε αυτή τη βασική ιδέα ως εξής: Το διάνυσμα z(t) μπορεί να έχει διάσταση μεγαλύτερη από d Μπορούμε να φιλτράρουμε το ε(t) με κάποιο (ευσταθές) φίλτρο F(q) και να τα σταθμίσουμε, όπως κάναμε στα σταθμισμένα ελάχιστα τετράγωνα H βασική μέθοδος IV ελαχιστοποιεί (ως προς θ) την ποσότητα min θ z( t) ε ( t) όπου. είναι η τετραγωνική νόρμα του διανύσματος zε, δηλ. το άθροισμα των τετραγώνων. Αν φιλτράρουμε και σταθμίσουμε, έχουμε το ακόλουθο πρόβλημα ελαχιστοποίησης min θ z( tfq ) ( ) ε ( t) Q όπου η νόρμα ορίζεται ως x = x Qx και ο πίνακας Q είναι θετικά ορισμένος δηλ. xqx> 0 Q Υπενθύμιση: Στα σταθμισμένα ελάχιστα τετράγωνα (απλή γραμμική παλινδρόμηση) είχαμε V ( ) θ = α k y k φkθ α 0 0 k = Q = θ ˆ Φ Τ Q Φ Φ Τ Q y 0 0 α = ( )
20 Έχουμε Extended instrumental variable methods min θ z( tfq ) ( ) ε ( t) Q Αντικαθιστούμε ε () t = y() t φ () t θ και παίρνουμε: ˆ θ = argmin () tfqyt ( ) () () tfq ( ) () t θ z z φ θ Για F(q)= και Q=I, παίρνουμε τη βασική μέθοδο IV. Ορίζοντας: Τ R = z() tfq ( ) φ () t r = z() tfqyt ( ) () παίρνουμε θˆ = arg minθ r Rθ = Q = arg min ( r R θ ) Qr ( R θ θ ) Κατ αναλογία με τα σταθμισμένα ελάχιστα τετράγωνα, η λύση αυτής είναι: ˆ θ = R QR R Qr Q
21 Αληθινό σύστημα Ιδιότητες των εκτιμήσεων yt ( ) = φ ( t) θ + e( t), e( t) = Hqet ( ) ( ) Ee { ( t)} = λ Υποθέσεις Το σύστημα είναι αυστηρά αιτιατό και ευσταθές Η είσοδος είναι επίμονα διεγερτική Η διαταραχή e 0 (t) είναι στάσιμη στοχαστική διαδικασία και δίνεται από τις πιο πάνω σχέσεις Η είσοδος u(t) και η διαταραχή είναι ανεξάρτητες (το αληθινό σύστημα είναι ανοικτού βρόχου) Το μοντέλο και το αληθινό σύστημα έχουν την ίδια συνάρτηση μεταφοράς αν και μόνο αν θ=θ 0 (μοναδικότητα) Οι συμβάλλουσες μεταβλητές (instruments) και η διαταραχή είναι ασυσχέτιστες Αντικαθιστώντας την έξοδο του αληθινού συστήματος στη σχέση: r = z() tfqyt ( ) () = = z () tfq ( ) φ () t θ 0 + z () t F ( q ) e 0 () t = = R θ + q 0 όπου Τ R = z () tfq ( ) φ () t q = z() tfqe ( ) () t 0
22 Ιδιότητες των εκτιμήσεων Το σφάλμα μεταξύ εκτίμησης και αληθινής τιμής είναι: ˆ θ θ0 = R QR RQr θ0 = = R QR R Q [ R θ0 + q ] θ0 = RQq = R QR Ασυμπτωτικά ( ) και θέτοντας (οι ποσότητες συγκλίνουν λόγω των υποθέσεων) R = R = z φ Τ lim E{ ( tfq ) ( ) ( t)} q= lim q = E{() z tfqe ( ) ()} t ˆ 0 έχουμε θ θ0 = RQR RQq Γιαναέχουμεσυνεπήεκτίμησηλοιπόν( εκτίμηση ( lim ˆ θ = θ0 ) θα πρέπει Ο πίνακας R να είναι πλήρους βαθμού (full rank) E{() z t F() q e0 ()} t = 0 Αν ισχύουν αυτά, η ασυμπτωτική κατανομή του ανωτέρω σφάλματος είναι κανονική: ( θ ˆ θ 0) (0, P IV ) as PIV = λ R QR R QSQR R QR
HMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διαλέξεις 9 Insrumenal variable mehods συνέχεια Παραδείγματα Μέοδοι PEM, IV ο u() είναι επίμονα διεγερτικό (persisenly exciing) τάξης n αν: ο όριο ϕ ( τ) = lim u ( + τ)
HMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διάλεξη Γραμμική παλινδρόμηση (Linear regression) Εμπειρική συνάρτηση μεταφοράς Ομαλοποίηση (smoothing) Y ( ) ( ) ω G ω = U ( ω) ω +Δ ω γ ω Δω = ω +Δω W ( ξ ω ) U ( ξ) G(
HMY 799 1: Αναγνώριση. συστημάτων. Διαλέξεις 6 7. Συνάφεια (συνέχεια) Μη παραμετρική αναγνώριση γραμμικών
HMY 799 1: Αναγνώριση Συστημάτων Διαλέξεις 6 7 Συνάφεια (συνέχεια Συστήματα πολλαπλών εισόδων Μη παραμετρική αναγνώριση γραμμικών συστημάτων Εκτίμηση άσματος Ισχύος Περιοδόγραμμα, Bartlett/Welch, Παραμετρική
HMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διαλέξεις Επιλογή τάξης μοντέλου και επικύρωση Επαναληπτική αναγνώριση Βέλτιστη μέθοδος συμβαλλουσών μεταβλητών (opimal IV mehod) P P P IV IV, op PEM z() = H ( q) φ () Γενική
HMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διάλεξη 5 Εκτίμηση φάσματος ισχύος Συνάφεια Παραδείγματα Στοχαστικά Διανύσματα Autoregressive model with exogenous inputs (ARX y( t + a y( t +... + a y( t n = bu( t +...
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 4
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 4 Πάτρα 2008 Ντετερμινιστικά Moving Average Μοντέλα Ισχύει:
HMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διάλεξη Στοχαστικές Τυχαίες Μεταβλητές/ Στοχαστικά Σήματα Πειραματικά δεδομένα >Επιλογή τύπου μοντέλου >Επιλογή κριτηρίου >Υπολογισμός >Επικύρωση Προσαρμογή καμπύλης (Curve
HMY 799 1: Αναγνώριση Συστημάτων
HMY 799 1: Αναγνώριση Συστημάτων Διαλέξεις 8 9 Ομαλοποίηση (smoothing) Μη παραμετρική αναγνώριση γραμμικών συστημάτων: Παραδείγματα Συστήματα με θόρυβο Ασυσχέτιστος θόρυβος και στην είσοδο και στην έξοδο:
ΚΕΦΑΛΑΙΟ 6 ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΥΠΟΔΕΙΓΜΑΤΑ ΧΡΟΝΟΣΕΙΡΩΝ
ΚΕΦΑΛΑΙΟ 6 ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΥΠΟΔΕΙΓΜΑΤΑ ΧΡΟΝΟΣΕΙΡΩΝ 6. Εισαγωγή 6. Μονομεταβλητές προβλέψεις Βέλτιστη πρόβλεψη και Θεώρημα βέλτιστης πρόβλεψης Διαστήματα εμπιστοσύνης 6.3 Εφαρμογές A. MILIONIS KEF. 6 08 BEA
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών. Χρόνου (Ι)
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 5: Στοχαστικά/Τυχαία Σήματα Διακριτού Διάλεξη 5: Στοχαστικά/Τυχαία Σήματα Διακριτού Χρόνου (Ι) Στοχαστικά σήματα Στα προηγούμενα: Ντετερμινιστικά
E[ (x- ) ]= trace[(x-x)(x- ) ]
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
HMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διαλέξεις Γραμμική παλινδρόμηση (Linear regression) Συνέχεια Γραμμική παλινδρόμηση (Linear regression) g = θϕ + θϕ + + θ ϕ = φ θ ( φ)... d d ϕ ϕ φ=, θ= [ θ θ... θd ]...
Σήματα και Συστήματα. Διάλεξη 1: Σήματα Συνεχούς Χρόνου. Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής
Σήματα και Συστήματα Διάλεξη 1: Σήματα Συνεχούς Χρόνου Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Εισαγωγή στα Σήματα 1. Σκοποί της Θεωρίας Σημάτων 2. Κατηγορίες Σημάτων 3. Χαρακτηριστικές Παράμετροι
ΣΤΟΧΑΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ & ΕΠΙΚΟΙΝΩΝΙΕΣ 1o Τμήμα (Α - Κ): Αμφιθέατρο 3, Νέα Κτίρια ΣΗΜΜΥ Θεωρία Πιθανοτήτων & Στοχαστικές Ανελίξεις - 3
ΣΤΟΧΑΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ & ΕΠΙΚΟΙΝΩΝΙΕΣ 1o Τμήμα (Α - Κ): Αμφιθέατρο 3, Νέα Κτίρια ΣΗΜΜΥ Θεωρία Πιθανοτήτων & Στοχαστικές Ανελίξεις - 3 5.6: Μέση Τιμή, Συναρτήσεις Συσχέτισης & Συνδιασποράς 5.7: Μετάδοση Στοχαστικής
Χρονικές σειρές 5 Ο μάθημα: Γραμμικά στοχαστικά μοντέλα (1) Αυτοπαλίνδρομα μοντέλα Εαρινό εξάμηνο Τμήμα Μαθηματικών ΑΠΘ
Χρονικές σειρές 5 Ο μάθημα: Γραμμικά στοχαστικά μοντέλα (1) Αυτοπαλίνδρομα μοντέλα Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή,
HMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 9 10 Γραμμική παλινδρόμηση (Linear regression) Μπεϋζιανή εκτίμηση για την κανονική κατανομή Γνωστή μέση τιμή μ, άγνωστη διασπορά σ 2. Ακρίβεια λ=1/σ 2 : conjugate
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 13: Ανάλυση ΓΧΑ συστημάτων (Ι) Περιγραφές ΓΧΑ συστημάτων Έχουμε δει τις παρακάτω πλήρεις περιγραφές ΓΧΑ συστημάτων: 1. Κρυστική απόκριση (impulse
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 12: Δειγματοληψία και ανακατασκευή (IV) Παρεμβολή (Interpolation) Γενικά υπάρχουν πολλοί τρόποι παρεμβολής, π.χ. κυβική παρεμβολή (cubic spline
E [ -x ^2 z] = E[x z]
1 1.ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτήν την διάλεξη θα πάμε στο φίλτρο με περισσότερες λεπτομέρειες, και θα παράσχουμε μια νέα παραγωγή για το φίλτρο Kalman, αυτή τη φορά βασισμένο στην ιδέα της γραμμικής
HMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διαλέξεις 3 4 Παραμετροποιήσεις γραμμικών χρονικά αμετάβλητων συστημάτων Μοντέλα πρόβλεψης Μοναδικότητα Αναγνωρισιμότητα Τ y () = φ () θ + e () 2 Ee {()} = 0, E{ ee } =
4. ΚΕΦΑΛΑΙΟ ΕΦΑΡΜΟΓΕΣ ΤΟΥ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ FOURIER
4. ΚΕΦΑΛΑΙΟ ΕΦΑΡΜΟΓΕΣ ΤΟΥ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ FOURIER Σκοπός του κεφαλαίου είναι να παρουσιάσει μερικές εφαρμογές του Μετασχηματισμού Fourier (ΜF). Ειδικότερα στο κεφάλαιο αυτό θα περιγραφούν έμμεσοι τρόποι
ΚΕΦΑΛΑΙΟ 2 ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ
ΚΕΦΑΛΑΙΟ ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ Ως γνωστό δείγμα είναι ένα σύνολο παρατηρήσεων από ένα πληθυσμό. Αν ο πληθυσμός αυτός θεωρηθεί μονοδιάστατος τότε μπορεί να εκφρασθεί με τη συνάρτηση
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τραπεζικής & Χρηματοοικονομικής
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τραπεζικής & Χρηματοοικονομικής Υποθέσεις του Απλού γραμμικού υποδείγματος της Παλινδρόμησης Η μεταβλητή ε t (διαταρακτικός όρος) είναι τυχαία μεταβλητή με μέσο όρο
Τεχνολογικό Εκπαιδευτικό Ίδρυμα Σερρών Τμήμα Πληροφορικής & Επικοινωνιών Σήματα και Συστήματα
Τεχνολογικό Εκπαιδευτικό Ίδρυμα Σερρών Τμήμα Πληροφορικής & Επικοινωνιών Σήματα και Συστήματα Δρ. Δημήτριος Ευσταθίου Επίκουρος Καθηγητής ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ LAPLACE Αντίστροφος Μετασχηματισμός Laplace Στην
HMY 220: Σήματα και Συστήματα Ι
Σύγκλιση Σειρών Fourier Ιδιότητες Σειρών Fourier Παραδείγματα HMY 220: Σήματα και Συστήματα Ι ΔΙΑΛΕΞΗ #10 Τρεις ισοδύναμες μορφές: () = = = = Σειρές Fourier j( 2π ) t Τ.. x () t FS a jω0t xt () = ae =
HMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διαλέξεις 3 4 Στοχαστικά/τυχαία / χ διανύσματα Ντετερμινιστικά και στοχαστικά σήματα στο πεδίο της συχνότητας Στοχαστικά σήματα και γραμμικά συστήματα Deterministic and
Ανασκόπηση θεωρίας ελαχίστων τετραγώνων και βέλτιστης εκτίμησης παραμέτρων
Τοπογραφικά Δίκτυα και Υπολογισμοί 5 ο εξάμηνο, Ακαδημαϊκό Έτος 2016-2017 Ανασκόπηση θεωρίας ελαχίστων τετραγώνων και βέλτιστης εκτίμησης παραμέτρων Χριστόφορος Κωτσάκης Τμήμα Αγρονόμων Τοπογράφων Μηχανικών
Τεχνολογικό Εκπαιδευτικό Ίδρυμα Σερρών Τμήμα Πληροφορικής & Επικοινωνιών Σήματα και Συστήματα
Τεχνολογικό Εκπαιδευτικό Ίδρυμα Σερρών Τμήμα Πληροφορικής & Επικοινωνιών Σήματα και Συστήματα Δρ. Δημήτριος Ευσταθίου Επίκουρος Καθηγητής Μετασχηματισμός Fourier Στο κεφάλαιο αυτό θα εισάγουμε και θα μελετήσουμε
Διάλεξη 1: Στατιστική Συμπερασματολογία - Εκτίμηση Σημείου
Διάλεξη 1: Στατιστική Συμπερασματολογία - Εκτίμηση Σημείου Στατιστική Συμπερασματολογία Εκτιμητική Έλεγχος Στατιστικών Υποθέσεων εκτιμήτρια συνάρτηση, ˆ θ σημειακή εκτίμηση εκτίμηση με διάστημα εμπιστοσύνης
ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 11
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 11 Πάτρα 2008 Προσαρμοστικός LQ έλεγχος για μη ελαχίστης
Ακαδηµαϊκό Έτος , Εαρινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΒΕΣ 6: ΠΡΟΣΑΡΜΟΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ ΣΤΙΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΕΣ Ακαδηµαϊκό Έτος 26 27, Εαρινό Εξάµηνο Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΓΙΑ ΕΠΑΝΑΛΗΨΗ Το
x[n] = e u[n 1] 4 x[n] = u[n 1] 4 X(z) = z 1 H(z) = (1 0.5z 1 )(1 + 4z 2 ) z 2 (βʹ) H(z) = H min (z)h lin (z) 4 z 1 1 z 1 (z 1 4 )(z 1) (1)
Ασκήσεις με Συστήματα στο Χώρο του Ζ Επιμέλεια: Γιώργος Π. Καφεντζης Δρ. Επιστήμης Η/Υ Πανεπιστημίου Κρήτης Δρ. Επεξεργασίας Σήματος Πανεπιστημίου Rennes 1 7 Νοεμβρίου 015 1. Υπολόγισε τον μετ. Ζ και την
Χρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές
Χρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές Εαρινό εξάμηνο 2018-2019 μήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό μήμα, Πανεπιστήμιο
Εφαρμοσμένη Στατιστική: Συντελεστής συσχέτισης. Παλινδρόμηση απλή γραμμική, πολλαπλή γραμμική
ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕΡΟΣ B Δημήτρης Κουγιουμτζής e-mal: dkugu@auth.gr Ιστοσελίδα αυτού του τμήματος του μαθήματος: http://uer.auth.gr/~dkugu/teach/cvltraport/dex.html Εφαρμοσμένη Στατιστική:
Τεχνολογικό Εκπαιδευτικό Ίδρυμα Σερρών Τμήμα Πληροφορικής & Επικοινωνιών Σήματα και Συστήματα
Τεχνολογικό Εκπαιδευτικό Ίδρυμα Σερρών Τμήμα Πληροφορικής & Επικοινωνιών Σήματα και Συστήματα Δρ. Δημήτριος Ευσταθίου Επίκουρος Καθηγητής ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ LAPLACE Αντίστροφος Μετασχηματισμός Laplace Στην
ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 5: Ανάλυση γραμμικού υποδείγματος Πολυμεταβλητή παλινδρόμηση (1 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: ageliki.papaa@gmail.com, agpapaa@auth.gr Webpage: http://users.auth.gr/agpapaa
X = = 81 9 = 9
Πιθανότητες και Αρχές Στατιστικής (11η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2018-2019 Σωτήρης Νικολετσέας, καθηγητής 1 / 35 Σύνοψη
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutra@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε
Σήματα και Συστήματα. Διάλεξη 2: Στοιχειώδη Σήματα Συνεχούς Χρόνου. Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής
Σήματα και Συστήματα Διάλεξη 2: Στοιχειώδη Σήματα Συνεχούς Χρόνου Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Στοιχειώδη Σήματα Συνεχούς Χρόνου 1. Μοναδιαία Βηματική Συνάρτηση 2. Κρουστική Συνάρτηση ή
Σήματα και Συστήματα. Διάλεξη 9: Μελέτη ΓΧΑ Συστημάτων με τον Μετασχηματισμό Fourier. Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής
Σήματα και Συστήματα Διάλεξη 9: Μελέτη ΓΧΑ Συστημάτων με τον Μετασχηματισμό Fourier Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Μελέτη ΓΧΑ Συστημάτων με τον Μετασχηματισμό Fourier 1. Μετασχηματισμός Fourier
Σχολή Ηλεκτρολόγων Μηχ/κών και Μηχ/κών Υπολογιστών, Ε.Μ.Π., Ακαδημαϊκό Έτος , 8ο Εξάμηνο. Ρομποτική II. Ευφυή και Επιδέξια Ρομποτικά Συστήματα
Σχολή Ηλεκτρολόγων Μηχ/κών και Μηχ/κών Υπολογιστών, Ε.Μ.Π., Ακαδημαϊκό Έτος 009-0, 8ο Εξάμηνο Ρομποτική II Ευφυή και Επιδέξια Ρομποτικά Συστήματα Κων/νος Τζαφέστας Τομέας Σημάτων, Ελέγχου & Ρομποτικής
ΣΤΟΧΑΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ & ΕΠΙΚΟΙΝΩΝΙΕΣ 1o Τμήμα (Α - Κ): Αμφιθέατρο 4, Νέα Κτίρια ΣΗΜΜΥ Θεωρία Πιθανοτήτων & Στοχαστικές Ανελίξεις - 3
ΣΤΟΧΑΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ & ΕΠΙΚΟΙΝΩΝΙΕΣ 1o Τμήμα (Α - Κ): Αμφιθέατρο 4, Νέα Κτίρια ΣΗΜΜΥ Θεωρία Πιθανοτήτων & Στοχαστικές Ανελίξεις - 3 5.6: Μέση Τιμή, Συναρτήσεις Συσχέτισης (Correlation) & Συνδιασποράς (Covariance)
HMY 220: Σήματα και Συστήματα Ι
Σύγκλιση Σειρών Fourier Ιδιότητες Σειρών Fourier Παραδείγματα HMY 0: Σήματα και Συστήματα Ι ΔΙΑΛΕΞΗ #10 Σειρές Fourier: Προσέγγιση Οι Σειρές Fourier μπορούν να αναπαραστήσουν μια πολύ μεγάλη κλάση περιοδικών
Χρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2)
Χρονικές σειρές 6 Ο μάθημα: Αυτοπαλίνδρομα μοντέλα (2) Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα,
ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ. Παπάνα Αγγελική
ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ 7ο μάθημα: Πολυμεταβλητή παλινδρόμηση (ΕΠΑΝΑΛΗΨΗ) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ & ΠΑΜΑΚ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ
ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ & ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΘΕΩΡΙΑΣ-ΥΠΟΔΕΙΓΜΑΤΑ ΚΙΝΗΤΟΥ ΜΕΣΟΥ MA(q) ΚΑΙ ΜΙΚΤΑ ΥΠΟΔΕΙΓΜΑΤΑ ARMA (p,q) ΕΠΙΧ - Τεχνικές Προβλέψεων & Ελέγχου
Ανασκόπηση θεωρίας ελαχίστων τετραγώνων και βέλτιστης εκτίμησης παραμέτρων
Τοπογραφικά Δίκτυα και Υπολογισμοί 5 ο εξάμηνο, Ακαδημαϊκό Έτος 2017-2018 Ανασκόπηση θεωρίας ελαχίστων τετραγώνων και βέλτιστης εκτίμησης παραμέτρων Χριστόφορος Κωτσάκης Τμήμα Αγρονόμων και Τοπογράφων
Αντικείμενο του κεφαλαίου είναι: Ανάλυση συσχέτισης μεταξύ δύο μεταβλητών. Εξίσωση παλινδρόμησης. Πρόβλεψη εξέλιξης
Γραμμική Παλινδρόμηση και Συσχέτιση Αντικείμενο του κεφαλαίου είναι: Ανάλυση συσχέτισης μεταξύ δύο μεταβλητών Εξίσωση παλινδρόμησης Πρόβλεψη εξέλιξης Διμεταβλητές συσχετίσεις Πολλές φορές χρειάζεται να
Στοχαστικές Μέθοδοι στους Υδατικούς Πόρους Φασματική ανάλυση χρονοσειρών
Στοχαστικές Μέθοδοι στους Υδατικούς Πόρους Φασματική ανάλυση χρονοσειρών Δημήτρης Κουτσογιάννης Τομέας Υδατικών Πόρων και Περιβάλλοντος, Σχολή Πολιτικών Μηχανικών, Εθνικό Μετσόβιο Πολυτεχνείο Αθήνα Επανέκδοση
Στοχαστικές Ανελίξεις (2) Αγγελική Αλεξίου
Στοχαστικές Ανελίξεις (2) Αγγελική Αλεξίου alexiou@unipi.gr 1 Στοχαστικές Διαδικασίες 2 Στοχαστική Διαδικασία Στοχαστικές Ανελίξεις Α. Αλεξίου 3 Στοχαστική Διαδικασία ως συλλογή από συναρτήσεις χρόνου
HMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 2 Επισκόπηση θεωρίας πιθανοτήτων Τυχαίες μεταβλητές: Βασικές έννοιες Τυχαία μεταβλητή: Μεταβλητή της οποίας δε γνωρίζουμε με βεβαιότητα την τιμή (σε αντίθεση με τις
Στοχαστικά Σήματα και Τηλεπικοινωνιές
Στοχαστικά Σήματα και Τηλεπικοινωνιές Ενότητα 3: Τυχαίες Διαδικασίες Διακριτού Χρόνου Καθηγητής Κώστας Μπερμπερίδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ και Πληροφορικής Σκοποί ενότητας Εισαγωγή στις
ΘΕΩΡΙΑ ΟΙΚΟΝΟΜΕΤΡΙΑΣ ΣΥΝΟΠΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ
ΘΕΩΡΙΑ ΟΙΚΟΝΟΜΕΤΡΙΑΣ ΣΥΝΟΠΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΑΠΛΟ ΓΡΑΜΜΙΚΟ ΥΠΟΔΕΙΓΜΑ Συντελεστής συσχέτισης (εκτιμητής Person: r, Y ( ( Y Y xy ( ( Y Y x y, όπου r, Y (ισχυρή θετική γραμμική συσχέτιση όταν, ισχυρή αρνητική
Στοχαστικές Ανελίξεις
Ντετερμινιστικά Σήματα - Τυχαία Σήματα Ταξινόμηση των σημάτων ανάλογα με τη βεβαιότητα όσο αφορά την τιμή τους κάθε χρονική στιγμή. Τα ντετερμινιστικά σήματα μπορούν να αναπαρασταθούν σαν πλήρως καθορισμένες
MAJ. MONTELOPOIHSH II
MAJ MONTELOPOIHSH II ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΕΑΡΙΝΟ ΕΞΑΜΗΝΟ 009 ΦΥΛΛΑΔΙΟ ΑΣΚΗΣΕΩΝ ΙV Οι ασκήσεις είναι από το βιβλίο του Simon Haykin Θα ακολουθήσει ακόμη ένα φυλλάδιο τις επόμενες μέρες Άσκηση
Στοχαστικά Σήματα και Τηλεπικοινωνιές
Στοχαστικά Σήματα και Τηλεπικοινωνιές Ενότητα 4: Βέλτιστα Φίλτρα Wiener Καθηγητής Κώστας Μπερμπερίδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ και Πληροφορικής Σκοποί ενότητας Παρουσίαση βασικών εννοιών των
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 2
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 2 Πάτρα 2008 Εμπειρικός προσδιορισμός συνάρτησης μεταφοράς
Βέλτιστη παρεμβολή και πρόγνωση άγνωστης συνάρτησης με τη μέθοδο της σημειακής προσαρμογής
Ειδικά Θέματα Συνορθώσεων & Εφαρμογές 8 ο εξάμηνο, Ακαδημαϊκό έτος 2016-2017 Βέλτιστη παρεμβολή και πρόγνωση άγνωστης συνάρτησης με τη μέθοδο της σημειακής προσαρμογής (Least squares collocation) Χριστόφορος
Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500
Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Πληθυσμός Δείγμα Δείγμα Δείγμα Ο ρόλος της Οικονομετρίας Οικονομική Θεωρία Διατύπωση της
Εισαγωγή στις Τηλεπικοινωνίες. Δομή της παρουσίασης
1 Oct 16 ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΕΠΙΚΟΙΝΩΝΙΩΝ ΤΜΗΜΑ ΨΗΦΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΤΗΛΕΠΙΚΟΙΝΩΝΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ Εισαγωγή στις Τηλεπικοινωνίες Διάλεξη 4 η Γεωμετρική Αναπαράσταση
Stochastic Signals Class Estimation Theory. Andreas Polydoros University of Athens Dept. of Physics Electronics Laboratory
Stochastic Signals Class Estimation Theory Andreas Polydoros University of Athens Dept. of Physics Electronics Laboratory 1 Τι ειναι «Εκτιμηση» (Estimation)? Γενικο Πλαισιο: Θεωρια και Πραξη Συμπερασματων
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 19: Φίλτρα (IV) Σχεδιασμός φίλτρων FIR Είδαμε ότι για φίλτρα IIR συνήθως σχεδιάζουμε ένα φίλτρο ΣΧ και μετασχηματίζουμε Για φίλτρα FIR θα δούμε
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 07-08 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε
Το μοντέλο Perceptron
Το μοντέλο Perceptron Αποτελείται από έναν μόνο νευρώνα McCulloch-Pitts w j x x 1, x2,..., w x T 1 1 x 2 w 2 Σ u x n f(u) Άνυσμα Εισόδου s i x j x n w n -θ w w 1, w2,..., w n T Άνυσμα Βαρών 1 Το μοντέλο
ΣΤΟΧΑΣΤΙΚΑ ΣΗΜΑΤΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ
ΣΤΟΧΑΣΤΙΚΑ ΣΗΜΑΤΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ Ακαδηµαϊκό Έτος 007-008 ιδάσκων: Ν. Παπανδρέου (Π.. 407/80) Πανεπιστήµιο Πατρών Τµήµα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής 1η Εργαστηριακή Άσκηση Αναγνώριση
Σήματα και Συστήματα. Διάλεξη 13: Μελέτη ΓΧΑ Συστημάτων με τον Μετασχηματισμό Laplace. Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής
Σήματα και Συστήματα Διάλεξη 13: Μελέτη ΓΧΑ Συστημάτων με τον Μετασχηματισμό Laplace Δρ. Μιχάλης Παρασκευάς Επίκουρος Καθηγητής 1 Μελέτη ΓΧΑ Συστημάτων με τον Μετασχηματισμό Laplace 1. Επίλυση Γραμμικών
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών. στο χώρο της συχνότητας
HMY 49: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 3: Σήματα και Συστήματα διακριτού χρόνου Διάλεξη 3: Σήματα και Συστήματα διακριτού χρόνου στο χώρο της συχνότητας Μιγαδικά εκθετικά σήματα και
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 13
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 13 Πάτρα 28 Προσαρμοστικός έλεγχος με μοντέλο αναφοράς
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson ΜΙΑ ΣΥΜΒΑΣΗ: Προκειμένου να καταστήσουμε πιο συμπαγή το συμβολισμό H : ορίζουμε Ετσι έχουμε *=[ ] an *=[ ]. H : * * ΣΗΜΕΙΩΣΗ: Στη συνέχεια εκτός αν ορίζεται
HMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 7-8 Μπεϋζιανή εκτίμηση - συνέχεια Μη παραμετρικές μέθοδοι εκτίμησης πυκνότητας Δυαδικές τ.μ. κατανομή Bernoulli : Εκτίμηση ML: Εκτίμηση Bayes για εκ των προτέρων
Συσχέτιση μεταξύ δύο συνόλων δεδομένων
Διαγράμματα διασποράς (scattergrams) Συσχέτιση μεταξύ δύο συνόλων δεδομένων Η οπτική απεικόνιση δύο συνόλων δεδομένων μπορεί να αποκαλύψει με παραστατικό τρόπο πιθανές τάσεις και μεταξύ τους συσχετίσεις,
Σημερινό μάθημα: Εκτιμήτριες συναρτήσεις, σημειακή εκτίμηση παραμέτρων και γραμμική παλινδρόμηση Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή
Πιθανότητες και Αρχές Στατιστικής (10η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2017-2018 Σωτήρης Νικολετσέας, καθηγητής 1 / 48 Σημερινό
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων. Διάλεξη 20: Διακριτός Μετασχηματισμός Fourier (Discrete Fourier Transform DFT)
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 20: Διακριτός Μετασχηματισμός Fourier (Discrete Fourier Transform DFT) Εισαγωγή Μέχρι στιγμής έχουμε δει το Μετασχηματισμό Fourier Διακριτού
y(k) + a 1 y(k 1) = b 1 u(k 1), (1) website:
Αλεξάνδρειο Τεχνολογικό Εκπαιδευτικό Ιδρυμα Θεσσαλονίκης Τμήμα Μηχανικών Αυτοματισμού Μαθηματική Μοντελοποίηση και Αναγνώριση Συστημάτων Μαάιτα Τζαμάλ-Οδυσσέας 7 Μαΐου 207 Αναγνώριση Παραμετρικών μοντέλών
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson Μέθοδοι ελαχίστων τετραγώνων Least square methos Αν οι κλάσεις είναι γραμμικώς διαχωρίσιμες το perceptron θα δώσει σαν έξοδο ± Αν οι κλάσεις ΔΕΝ είναι
Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 4 o Φροντιστήριο
Ασκήσεις Φροντιστηρίου 4 o Φροντιστήριο Πρόβλημα 1 ο Ο πίνακας συσχέτισης R x του διανύσματος εισόδου x( στον LMS αλγόριθμο 1 0.5 R x = ορίζεται ως: 0.5 1. Ορίστε το διάστημα των τιμών της παραμέτρου μάθησης
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διδάσκων: Αντώνιος Τζές
Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διδάσκων: Αντώνιος Τζές Πάτρα 2008 Πανεπιστήμιο Πατρών Τμήμα
Δυναμική Μηχανών I. Διάλεξη 12. Χειμερινό Εξάμηνο 2013 Τμήμα Μηχανολόγων Μηχ., ΕΜΠ
Δυναμική Μηχανών I Διάλεξη 12 Χειμερινό Εξάμηνο 2013 Τμήμα Μηχανολόγων Μηχ., ΕΜΠ 1 Περιεχόμενα Απόκριση Συστημάτων N Β.Ε. Σε αρχικές συνθήκες Συστήματα χωρίς απόσβεση Εισαγωγή στην ιδιοανυσματική ανάλυση
Σημερινό μάθημα: Εκτιμήτριες συναρτήσεις και σημειακή εκτίμηση παραμέτρων Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή συμπερασμάτων για το σ
10ο Μάθημα Πιθανότητες Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2016-2017 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα
Πιθανότητες & Τυχαία Σήματα. Διγαλάκης Βασίλης
Πιθανότητες & Τυχαία Σήματα Διγαλάκης Βασίλης Στατικές (Στάσιμες) Διαδικασίες Στατική (Stationary) ορίζεται η διαδικασία της οποίας οι στατιστικές ιδιότητες δεν μεταβάλλονται με την πάροδο του χρόνου.
10-Μαρτ-2009 ΗΜΥ Παραθύρωση Ψηφιακά φίλτρα
-Μαρτ-9 ΗΜΥ 49. Παραθύρωση Ψηφιακά φίλτρα . Παραθύρωση / Ψηφιακά Φίλτρα -Μαρτ-9 Είδη παραθύρων Bartlett τριγωνικό: n, n Blacman: πn 4πn.4.5cos +.8cos, n < . Παραθύρωση / Ψηφιακά Φίλτρα -Μαρτ-9 3 Hamming:
Εκπαίδευση ΤΝΔ με ελαχιστοποίηση του τετραγωνικού σφάλματος εκπαίδευσης. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν.
Εκπαίδευση ΤΝΔ με ελαχιστοποίηση του τετραγωνικού σφάλματος εκπαίδευσης Ελαχιστοποίηση συνάρτησης σφάλματος Εκπαίδευση ΤΝΔ: μπορεί να διατυπωθεί ως πρόβλημα ελαχιστοποίησης μιας συνάρτησης σφάλματος E(w)
ΚΕΦΑΛΑΙΟ 8 ΠΡΟΒΛΗΜΑΤΑ ΜΕ ΤΙΣ ΕΠΕΞΗΓΗΜΑΤΙΚΕΣ ΜΕΤΑΒΛΗΤΕΣ
ΚΕΦΑΛΑΙΟ 8 ΠΡΟΒΛΗΜΑΤΑ ΜΕ ΤΙΣ ΕΠΕΞΗΓΗΜΑΤΙΚΕΣ ΜΕΤΑΒΛΗΤΕΣ 8. ΕΙΣΑΓΩΓΗ Μέχρι τώρα τα προβλήματα που δημιουργούνται από την παραβίαση των υποθέσεων που πρέπει να ισχύουν ώστε οι OLS εκτιμητές να είναι BLUE
Χρονικές σειρές 11 Ο μάθημα: Προβλέψεις
Χρονικές σειρές 11 Ο μάθημα: Προβλέψεις Εαρινό εξάμηνο 2018-2019 Τμήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό Τμήμα, Πανεπιστήμιο
ΗΜΥ 100 Εισαγωγή στην Τεχνολογία Διάλεξη 6
ΗΜΥ 00 Εισαγωγή στην Τεχνολογία Διάλεξη 6 5 Σεπτεμβρίου, 0 Δρ. Στέλιος Τιμοθέου ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τα θέματά μας σήμερα Χρονικά
Στατιστική. Εκτιμητική
Στατιστική Εκτιμητική Χατζόπουλος Σταύρος 28/2/2018 και 01 /03/2018 Εισαγωγή Το αντικείμενο της Στατιστικής είναι η εξαγωγή συμπερασμάτων που αφορούν τον πληθυσμό ή το φαινόμενο που μελετάμε, με τη βοήθεια
Παρεμβολή & πρόγνωση άγνωστης συνάρτησης μέσω σημειακής προσαρμογής
Ειδικά Θέματα Συνορθώσεων & Εφαρμογές 8 ο εξάμηνο, Ακαδημαϊκό έτος 2018-2019 Παρεμβολή & πρόγνωση άγνωστης συνάρτησης μέσω σημειακής προσαρμογής (Least squares collocation) Χριστόφορος Κωτσάκης Τμήμα Αγρονόμων
E(X(t)) = 1 k + k sin(2π) + k cos(2π) = 1 k + k 0 + k 1 = 1
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ Τμήμα Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών Τομέας Τηλεπικοινωνιών ΤΗΛ 2: ΠΙΘΑΝΟΤΗΤΕΣ ΚΑΙ ΤΥΧΑΙΑ ΣΗΜΑΤΑ 4ο Εξάμηνο 2009-200 4η ΕΡΓΑΣΙΑ ΑΣΚΗΣΗ Εστω τυχαία διαδικασία X(t) =
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson Σχεδιαζόντας ταξινομητές: Τα δεδομένα Στην πράξη η γνώση σχετικά διαδικασία γέννεσης των δεδομένων είναι πολύ σπάνια γνωστή. Το μόνο που έχουμε στη διάθεσή
Κινητά Δίκτυα Επικοινωνιών. Συμπληρωματικό υλικό. Προσαρμοστική Ισοστάθμιση Καναλιού
Κινητά Δίκτυα Επικοινωνιών Συμπληρωματικό υλικό Προσαρμοστική Ισοστάθμιση Καναλιού Προσαρμοστικοί Ισοσταθμιστές Για να υπολογίσουμε τους συντελεστές του ισοσταθμιστή MMSE, απαιτείται να λύσουμε ένα γραμμικό
Άσκηση 1: Λύση: Για το άθροισμα ισχύει: κι επειδή οι μέσες τιμές των Χ και Υ είναι 0: Έτσι η διασπορά της Ζ=Χ+Υ είναι:
Άσκηση 1: Δύο τυχαίες μεταβλητές Χ και Υ έχουν στατιστικές μέσες τιμές 0 και διασπορές 25 και 36 αντίστοιχα. Ο συντελεστής συσχέτισης των 2 τυχαίων μεταβλητών είναι 0.4. Να υπολογισθούν η διασπορά του
HMY 220: Σήματα και Συστήματα Ι
HMY 220: Σήματα και Συστήματα Ι ΔΙΑΛΕΞΗ #3 Ιδιάζοντα σήματα Βασικές κατηγορίες συστημάτων Διασυνδέσεις συστημάτων Ιδιάζοντα σήματα (singular signals) Τα ιδιάζοντα σήματα είναι σήματα τα οποία είναι ιδεατά
Στοιχεία της θεωρίας εκτίμησης παραμέτρων
Κεφάλαιο 4 Στοιχεία της θεωρίας εκτίμησης παραμέτρων 4. Το πρόβλημα της εκτίμησης παραμέτρων Στο πρόβλημα της εκτίμησης παραμέτρων υποθέτουμε πως έχουμε στη διάθεσή μας ένα πεπερασμένο σύνολο από μετρήσεις
Στοχαστικές Ανελίξεις
Ντετερμινιστικά Σήματα - Τυχαία Σήματα Ταξινόμηση των σημάτων ανάλογα με τη βεβαιότητα όσο αφορά την τιμή τους κάθε χρονική στιγμή. Τα ντετερμινιστικά σήματα μπορούν να αναπαρασταθούν σαν πλήρως καθορισμένες
X(t) = A cos(2πf c t + Θ) (1) 0, αλλού. 2 cos(2πf cτ) (9)
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών HY-5: Εφαρµοσµένα Μαθηµατικά για Μηχανικούς Εαρινό Εξάµηνο 05-6 ιδάσκοντες : Γ. Στυλιανού, Γ. Καφεντζής Λυµένες Ασκήσεις - Τυχαίες ιαδικασίες Ασκηση. Εστω
ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ Ενότητα: Αναγνώριση Διεργασίας - Προσαρμοστικός Έλεγχος (Process Identification) Αλαφοδήμος Κωνσταντίνος
ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ. Παπάνα Αγγελική
ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ 7o Μάθημα: Απλή παλινδρόμηση (ΕΠΑΝΑΛΗΨΗ) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ & ΠΑΜΑΚ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
website:
Αλεξάνδρειο Τεχνολογικό Εκπαιδευτικό Ιδρυμα Θεσσαλονίκης Τμήμα Μηχανικών Αυτοματισμού Μαθηματική Μοντελοποίηση και Αναγνώριση Συστημάτων Μαάιτα Τζαμάλ-Οδυσσέας Απριλίου 7 Αναγνώριση Παραμετρικών μοντέλών
Μέρος V. Ανάλυση Παλινδρόμηση (Regression Analysis)
Μέρος V. Ανάλυση Παλινδρόμηση (Regresso Aalss) Βασικές έννοιες Απλή Γραμμική Παλινδρόμηση Πολλαπλή Παλινδρόμηση Εφαρμοσμένη Στατιστική Μέρος 5 ο - Κ. Μπλέκας () Βασικές έννοιες Έστω τ.μ. Χ,Υ όπου υπάρχει