Ústav teorie informace a automatizace

AS

Aplikace pokročilých statistických metod asimilace modelových předpovědí s pozorováními v terénu ve formě moderního programového prostředku pro podporu rozhodování za krizových situací

Vedoucí projektu: Ing. Petr Pecha, CSc.
Oddělení: AS
Podporováno (ID): VG20102013018
Poskytovatel: Ministerstvo vnitra
Trvání: 2010 - 2013
Podrobnosti: zde

Dungl

Jméno: 
Martin
Titul před jménem: 
Mgr.
Oddělení: 
AS
Pozice anglicky: 
Ph.D student
Pozice česky: 
doktorand
Odborné zájmy (anglicky): 
Bayesian modeling
Odborné zájmy (česky): 
Bayesovské modelování
Kontakty
Místnost: 
369
Linka: 
2358
Fax: 
266052068
Mail: 
dungl
Podrobnosti o doktorském studiu
Školitel: 
Nagy
Typ studia: 
prezenční
Téma práce (anglicky): 
Classification of traffic data
Téma práce (česky): 
Klasifikace dopravních dat
Fakulta: 
Fakulta dopravní ČVUT
Obor (česky): 
Inženýrská informatika
Začátek studia: 
01.10.2010
Konec studia: 
30.06.2013
Přepínače
Aktivní: 
Ne
Zobrazit literaturu: 
Ano
Foto veřejné: 
Ano
Doktorand: 
Ano
Zahrnout do papírového seznamu: 
Ano

Tichý

Jméno: 
Ondřej
Titul před jménem: 
Ing.
Oddělení: 
AS
Pozice anglicky: 
Ph.D. student
Pozice česky: 
Doktorand
Kontakty
Místnost: 
479
Linka: 
2307
Fax: 
284683031
Mail: 
otichy
Podrobnosti o doktorském studiu
Školitel: 
Šmídl
Typ studia: 
prezenční
Téma práce (anglicky): 
Kullback-Leibler divergence optimalizations and their aplications
Téma práce (česky): 
Optimalizace Kullback-Leiblerovy vzdálenosti a její aplikace
Fakulta: 
Fakulta jaderná a fyzikálně-inženýrská ČVUT
Obor (česky): 
Matematické inženýrství
Začátek studia: 
01.10.2010
Konec studia: 
30.09.2014
Přepínače
Aktivní: 
Ano
Zobrazit literaturu: 
Ano
Foto veřejné: 
Ano
Doktorand: 
Ano
Zahrnout do papírového seznamu: 
Ano

Odhadovaní stavu hybridních dynamických systémů

Název práce v Aj: 
Hybrid state estimation
Školitel: 
Suzdaleva
Typ práce: 
disertační
Pracoviště/Tel.: 
ÚTIA AV ČR, v.v.i., oddělení AS
Klíčová slova: 
recursive state estimation, Bayesian filtering, hybrid systems

Obecně je odhadování stavu dynamických systému založeno na využití bayesovské filtrace [1]. Ta má analytické řešení za předpokladu, že stavové proměnné i měření mají normální rozdělení. Toto řešení je známé jako Kalmanův filtr [2]. V praxi se ale může stát, ze stav dynamického systému obsahuje kromě spojitých i diskrétní veličiny. To znamená, ze se systém přepíná mezi určitými módy. Dost častá interpretace diskrétního stavu je tak zvané ukazovátko. To označuje aktuální mód, to je ten mód, ve kterém se systém momentálně nachází.

Literatura: 
  1.  M. Kárný, J. Böhm, T. V. Guy, L. Jirsa, I. Nagy, P. Nedoma, and L. Tesař, Optimized Bayesian Dynamic Advising: Theory and Algorithms. London: Springer, 2005.
  2.  M. Grewal and A. Andrews, Kalman Filtering: Theory and Practice Using MATLAB. 2nd edition. Wiley, 2001.
  3.  Y. Bar-Shalom, T. Kirubarajan, and X.-R. Li, Estimation with Applications to Tracking and Navigation. New York, NY, USA: Wiley, 2002.
  4.  A. Doucet and C. Andrieu, “Iterative algorithms for state estimation of jump markov linear systems,” IEEE Transactions on Signal Processing, vol. 49, no. 6, pp. 1216–1227, 2001.
  5.   R. Chen and J. S. Liu, “Mixture kalman filters,” J. R. Statist. Soc. B, vol. 62, pp. 493–508, 2000.
  6.  M. J. Beal, Z. Ghahramani, and C. E. Rasmussen, “The infinite hidden markov model,” in Advances in Neural Information Processing Systems, vol. 14, 2002.

Přehled existujících algoritmů pro aproximaci Kullback-Leiblerovy vzdálenosti a jejich porovnání

Název práce v Aj: 
Overview of existing algorithms for approximation of the Kullback Leibler Divergence and their comparison
Školitel: 
Suzdaleva
Typ práce: 
bakalářská
Pracoviště/Tel.: 
ÚTIA AV ČR, v.v.i., oddělení AS
Klíčová slova: 
Kullback-Leiblerova vzdálenost, směs, aproximace
Úkoly: 
Náplň bakalářské práce: 1. Najit v literatuře existující metody pro aproximaci Kullback-Leiblerovy vzdálenosti a seznámit se s nimi 2. Dodat popis nalezených metod v prostředí LaTeX a popsat jejich rozdíly. 3. Napsat algoritmy (může byt pseudokódy) pro nalezené metody 4. Implementovat algoritmy v prostředí Matlab případně dodat již existující software 5. Testovat a porovnat metody pomoci simulovaných dat 6. Udělat závěr o provedeném porovnání metod.
Literatura: 
1. John R. Hershey, Peder A. Olsen. Approximating the Kullback Leibler Divergence Between Gaussian Mixture Models. In proceedings of IEEE International Conference on Acoustics Speech and Signal Processing ICASSP 07 (2007). Volume: 4, Issue: 6, Pages: IV-317-IV-320. Ostatní dodá školitelka.

Přehled existujících algoritmů pro logistickou regresi a jejich porovnání

Název práce v Aj: 
Overview of existing algorithms for logistic regression and their comparison
Školitel: 
Suzdaleva
Typ práce: 
bakalářská
Pracoviště/Tel.: 
ÚTIA AV ČR, v.v.i., oddělení AS
Klíčová slova: 
logická regrese, odhadování
Úkoly: 
Náplň bakalářské práce: 1. Najít v literatuře existující metody pro odhadování logistické regrese (včetně vícehodnotového modelu) a seznámit se s nimi. 2. Dodat popis nalezených metod v prostředí LaTeX a popsat jejich rozdíly. 3. Napsat algoritmy (můžou být pseudokódy) pro nalezené metody. 4. Implementovat algoritmy v prostředí Matlab případně dodat již existující software. 5. Testovat a porovnat metody pomocí simulovaných dat. 6. Udělat závěr o provedeném porovnání metod.
Literatura: 
Základní literatura: David W. Hosmer, Stanley Lemeshow. Applied logistic regression, 2nd edition.

Organisers

  • Miroslav Kárný, Department of Adaptive Systems, Institute of Information Theory and Automation, Academy of Sciences of the Czech Republic
  • Tatiana Valentine Guy, Department of Adaptive Systems, Institute of Information Theory and Automation,  Academy of Sciences of the Czech Republic
  • David Wolpert, Intelligent Systems Division, NASA Ames Research Center, USA
  • David Rios Insua, Royal Academy of Sciences, Spai

Multiple Participant Decision Making

Distributed dynamic decision-making and learning under uncertainty in complex and changing situations are emerging as the key competencies required to support future information-based systems. The Bayesian paradigm is acknowledged to provide a consistent and rigorous theoretical basis for joint learning and dynamic decision-making. The established theory already provides a class of efficient adaptive strategies. However, this approach fails to overcome the computational complexity barrier encountered in complex settings.

Advising: Optimized Bayesian Dynamic Advising

Quality of maintaining of complex man-machine systems very much depends on experience, skills and performance of the human decision-makers (operators) managing the system. The task is complicated by complexity and dimensionality of the system managed as well as limited abilities of the operator.

Advanced Control


Textbook:

Digital Self-tuning Controllers
Algorithms, Implementation and Applications
Series: Advanced Textbooks in Control and Signal Processing
Bobál, V., Böhm, J., Fessl, J., Macháček, J.
Syndikovat obsah
Ustav teorie informace a automatizace