Identifikace modelů z dat pomocí metod řídké identifikace nelineární implicitní dynamiky
Model discovery from data using methods for sparse identification of nonlinear implicit dynamics
dc.contributor.advisor | Bušek Jaroslav | |
dc.contributor.author | Kryštof Bystřický | |
dc.date.accessioned | 2021-09-01T22:52:11Z | |
dc.date.available | 2021-09-01T22:52:11Z | |
dc.date.issued | 2021-09-01 | |
dc.identifier | KOS-1087892454905 | |
dc.identifier.uri | http://hdl.handle.net/10467/97093 | |
dc.description.abstract | Problém získávání matematických modelů popisujících chování určité soustavy je aktuální napříč mnoha odvětvími. Model soustavy může být vytvořen využitím prvotních fyzikálních principů modelovaného systému, zde je však nutná dostatečně vyvinutá teorie pro daný systém. Alternativní přístup je identifikace modelu z naměřených dat, což je pro mnoho složitých systémů bez dostatečně vyvinuté teorie jediná možnost. V této práci aplikuji metodu Sparse Identification of Nonlinear Dynamics (SINDy, SINDy-PI), která částečně využívá obou přístupů. Model je vytvořen z dat za použití alespoň omezené znalosti o fyzice modelovaného systému. V této práci bude metoda aplikována na identifikaci nelineárního modelu soustavy Lorenzova systému a kyvadla na vozíku. Součástí práce je i popis metod pro filtraci a numerickou diferenciaci naměřených signálů. V práci je také navržena úprava originálního algoritmu pro řídkou identifikaci. Také je v práci představen systematický přístup pro tvorbu knihovny kandidátských funkcí, a metoda pro hodnocení a výběr modelu využívající klastrovacích algoritmů. | cze |
dc.description.abstract | The problem of obtaining models describing the dynamics of a certain system is current across many industries. The traditional approach to modeling relies on specific knowledge about the physical principles of the system. This approach requires a developed theory of the underlying system. An alternative approach is model identification from data, which is often the only viable approach for complex systems without a developed theory. In this thesis, I apply a method called Sparse Identification of Nonlinear Dynamics (SINDy, SINDy-PI), which utilizes both approaches, identifying models from data using at least some limited knowledge of the system. The method will be used to identify accurate nonlinear models of two canonical systems, the Lorenz system, and the pendulum-cart system. The thesis also describes methods for filtering and numerical differentiation of measured signals. During the thesis, novel adjustments are made to the original sparse regression algorithm. A new approach to the creation of the candidate function library is also proposed, as well as a new approach to evaluating models using clustering. | eng |
dc.publisher | České vysoké učení technické v Praze. Vypočetní a informační centrum. | cze |
dc.publisher | Czech Technical University in Prague. Computing and Information Centre. | eng |
dc.rights | A 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.html | eng |
dc.rights | Vysokoškolská 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.html | cze |
dc.subject | Strojové učení | cze |
dc.subject | identifikace systémů | cze |
dc.subject | řídká regrese | cze |
dc.subject | dynamické systémy | cze |
dc.subject | numerická diferenciace | cze |
dc.subject | spektrální filtrování | cze |
dc.subject | spektrální diferenciace | cze |
dc.subject | výběr modelu | cze |
dc.subject | Machine learning | eng |
dc.subject | system identification | eng |
dc.subject | sparse regression | eng |
dc.subject | dynamical systems | eng |
dc.subject | numerical differentiation | eng |
dc.subject | spectral filtering | eng |
dc.subject | spectral differentiation | eng |
dc.subject | model selection | eng |
dc.title | Identifikace modelů z dat pomocí metod řídké identifikace nelineární implicitní dynamiky | cze |
dc.title | Model discovery from data using methods for sparse identification of nonlinear implicit dynamics | eng |
dc.type | diplomová práce | cze |
dc.type | master thesis | eng |
dc.contributor.referee | Skopec Pavel | |
theses.degree.discipline | Automatizace a průmyslová informatika | cze |
theses.degree.grantor | ústav přístrojové a řídící techniky | cze |
theses.degree.programme | Automatizační a přístrojová technika | cze |
Soubory tohoto záznamu
Tento záznam se objevuje v následujících kolekcích
-
Diplomové práce - 12110 [154]