Show simple item record

Directional Statistics for Prediction of Quasiperiodic Time Series



dc.contributor.advisorNavara Mirko
dc.contributor.authorLeonard Mentzl
dc.date.accessioned2020-06-10T13:57:26Z
dc.date.available2020-06-10T13:57:26Z
dc.date.issued2020-06-10
dc.identifierKOS-857604966805
dc.identifier.urihttp://hdl.handle.net/10467/87750
dc.description.abstractV této práci navrhujeme metody predikce kvaziperiodických časových řad, které jsou založené na směrové statistice. Za-býváme se metodou momentů, EM algo-ritmem, Adaboostem R a neuronovými sí-těmi. Upřednostňujeme korektnost a vy-hýbáme se používání heuristických me-tod. Hledáme zcela nové modely a metody, takže jejich vlastnosti ukazujeme na ja-kýchkoli úlohách, včetně umělých, které ukazují, co by se mohlo stát, bez ohledu na to, zda to v konkrétní aplikaci opravdu hraje roli. Navržené metody testujeme na reálných datech a porovnáváme je s meto-dami: odhad průměrem, histogram, Fre-MEn a HyT-EM. Výsledky ukazují, že pro některá data jsou některé navržené metody statisticky významně lepší než metody FreMEn a HyT-EM.cze
dc.description.abstractIn this thesis, we propose new methods for prediction of quasiperiodic time series which are based on directional statistics. We study the moment matching, EM algorithm, Adaboost R and neural networks. We emphasize correctness of the methods and avoid usage of heuristics. We search for completely new methods so we are showing their features on any tasks, including the artificial ones, which show what might happen regardless of the fact whether it actually plays a role in the specific application. We test the proposed methods on real data and compare them with the following methods: estimation by mean, histogram, FreMEn and HyTEM. The results show that some of the methods are statistically significantly better for some data than methods FreMEn and HyT-EM.eng
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmleng
dc.rightsVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.htmlcze
dc.subjectsměrová statistikacze
dc.subjectchronorobotikacze
dc.subjectmetoda momentůcze
dc.subjectEM algoritmuscze
dc.subjectlogistická regresecze
dc.subjectAdaboostcze
dc.subjectneuronové sítěcze
dc.subjectdirectional statisticseng
dc.subjectchronoroboticseng
dc.subjectmoment matchingeng
dc.subjectEM algorithmeng
dc.subjectAdaboosteng
dc.subjectlogistic regressioneng
dc.subjectneural networkseng
dc.titleSměrové statistiky v predikci kvaziperiodických časových řadcze
dc.titleDirectional Statistics for Prediction of Quasiperiodic Time Serieseng
dc.typebakalářská prácecze
dc.typebachelor thesiseng
dc.contributor.refereeHelisová Kateřina
theses.degree.disciplineInformatika a počítačové vědycze
theses.degree.grantorkatedra kybernetikycze
theses.degree.programmeOtevřená informatikacze


Files in this item





This item appears in the following Collection(s)

Show simple item record