Lineární inverzní modely a jejich využití při určování zdroje radiačního úniku do atmosféry
Linear inverse models and their application to source term determination of radiation release
Type of document
bakalářská prácebachelor thesis
Author
Tomáš Brisučiak
Supervisor
Tichý Ondřej
Opponent
Ulrych Lukáš
Field of study
Matematické inženýrstvíStudy program
Aplikace přírodních vědInstitutions assigning rank
katedra matematikyRights
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.htmlVysokoškolská 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
Metadata
Show full item recordAbstract
Práce se zabývá možnostmi odhadu časového průběhu radiačního úniku do atmosféry pomocí měření senzory koncentrací látek ve vzduchu. Jsou představeny základní poznatky z Bayesovské teorie pravděpodobnosti a možnosti aproximace výpočtu s důrazem na metodu variační Bayes a Markov Chain Monte Carlo. Prozkoumána je možnost zahrnutí apriorní informace, hlavně řídkosti. Pro účely srovnání je také problém zformulován jako úloha konvexní optimalizace. V závěru práce je provedeno experimentální ověření představených technik na syntetických i reálných datech a je provedeno jejich srovnání. We study the estimation of the time variation of a radiation release into the atmosphere using readings obtained from sensors measuring the concentrations of substances in the air. Basics of Bayesian probability theory as well as the methods of approximating the calculations are introduced with a particular emphasis on the variational Bayes andMarkov Chain Monte Carlo methods. Inclusion of a prior information is explored with a focus on sparsity of the solution. Moreover, the problem is formulated as a convex optimization problem for the purpose of comparison. Finally, the developed algorithms are experimentally verified and compared using synthetic and real data.
Collections
- Bakalářské práce - 14101 [308]