Vergleich einer MPC Methode für korreliertes Mess- und Prozessrauschen mit einer Standardimplementierung
|
|
- Uwe Baumgartner
- vor 5 Jahren
- Abrufe
Transkript
1 Vergleich einer MPC Methode für korreliertes Mess- und Prozessrauschen mit einer Standardimplementierung Bachelorarbeit von Georg Steger Betreuer: Dr. Harald Waschl SS
2 INHALT Aufgabenstellung und Ziele Model Predictive Control MPC Motivation und Grundidee Besonderheiten der Methode für korreliertes Rauschen Implementierung der Methoden in Matlab/SIMULINK Test der Methode und Ergebnisanalyse Grundlegende Annahmen Testmethoden Ergebnisse MISO Modell Ergebnisse MIMO Modell Zusammenfassung und Konklusion 2
3 Aufgabenstellung und Ziele Implementierung der MPC Methode für korreliertes Mess- und Prozessrauschen ( Finite Horizon MPC for Systems in Innovation Form, Technical University of Denmark, In 2011) Implementierung einer Standardmethode Test der Methoden für ausgewählte Systeme mit bekannten Unsicherheiten und Rauschen Vergleich der Ergebnisse 3
4 MODEL PREDICTIVE CONTROL - MPC 4
5 Motivation und Grundidee (1) Grundidee: 1. Verwendung eines mathematischen Modells um zukünftigen Ausgang zu berechnen 2. Berechnung der optimalen Eingangsfolge durch Lösung eines beschränkten Optimierungsproblems 3. Wiederholung der beiden Schritte zu jedem Abtastzeitpunkt Vorteile: Einfache Behandlung des Mehrgrößenfalls Immer lineares Regelgesetz Einfache systematische Berücksichtigung von Beschränkungen möglich Kostenfunktion (Beispiel): Φ = Y k R k T Q Y k R k + ΔU k T SΔU k 5
6 MPC Methode für korreliertes Mess- und Prozessrauschen Verwendet Modelle in Innovationsform: x k+1 = Ax k + Bu k + Gw k y k = Cx k + Du k + v k Modelle zeigen korreliertes Rauschen: w k v k ~N iid ( 0 0, R ww R wv R vw R vv ) Im Fall einer Korrelation ist die Kovarianzmatrix voll besetzt! Korrelationsterm wird in der DARE berücksichtigt P = APA T + GR ww G T APC T + GR wv R vv + CPC T 1 APC T + GR wv T 6
7 Implementierung anhand von Matlab/SIMULINK (1) 7
8 Implementierung anhand von Matlab/SIMULINK (2) 8
9 TEST UND ERGEBNISSE 9
10 Grundlegende Annahmen Prozessrauschen wirkt auf alle Zustände gleich Messrauschen wirkt auf alle Ausgänge gleich Neue Methode wird einmal mit Σ 0 und einmal mit Σ aufgerufen x k+1 = Ax k + Bu k + Gw k y k = Cx k + Du k + v k G = R wv Σ = R ww = R vw R vv σ w σ w σ w σ vw σ w σ vw σ vw σ v σ vw σ v bzw. Σ 0 = σ vw σ vw σ vw σ vw σ v σ v σ w σ w 0 0 σ w σ w σ v 0 0 σ v σ v σ v 10
11 Vergleich der Methoden - kein Rauschen 11
12 Vergleich der Methoden unkorreliertes Mess- und Prozessrauschen 12
13 Testmethoden Es werden unterschiedliche Tests definiert: 1. Variation der Varianz des Prozessrauschens σ w 2. Variation der Varianz des Messrauschens σ v 3. Variation der Gewichtungsmatrizen Q und S 4. Variation der Abtastzeit des diskreten Systems T S 5. Identifikation des MPC Modells 6. Berücksichtigung von Beschränkungen 7. Prozessrauschen als Überlagerung der Systemeingänge G = B Betrachtet wird jeweils die Varianz des Rauschens am Systemausgang σ y Verwendete Kostenfunktion: Φ = Y k R k T Q Y k R k + ΔU k T SΔU k 13
14 MISO - Systemeigenschaften 2 Eingänge 1 Ausgang 4 Zustände Q = 200 E n y x n y S = 1 E n u x n u Varianz des Messrauschens σ v = 0.01 Varianz des Prozessrauschens σ w = 0 10 σ v Abtastzeit T S = 1s 14
15 MISO Variation der Varianz des Prozessrauschens (1) 15
16 MISO Variation der Varianz des Prozessrauschens (2) 16
17 MISO Variation der Gewichtung der Eingangsänderungen 17
18 MIMO - Systemeigenschaften 2 Eingänge 2 Ausgänge 6 Zustände S = 1 E n y x n y Q = 100 E n u x n u Varianz des Messrauschens σ v = Varianz des Prozessrauschens σ w = 0 10σ v Abtastzeit T S = 1s Systemmatrizen zufällig gewählt 18
19 MIMO Variation der Varianz des Prozessrauschens 19
20 MIMO Variation der Varianz des Prozessrauschens (2) 20
21 MIMO Variation der Gewichtung der Eingangsänderungen 21
22 MIMO Identifikation des MPC Modells (1) 22
23 MIMO Berücksichtigung von Eingangsbeschränkungen (1) 23
24 MIMO - Berücksichtigung von Eingangsbeschränkungen (2) 24
25 MIMO - Berücksichtigung von Eingangsbeschränkungen (2) 25
26 Zusammenfassung Die neue Methode bringt Performancevorteile, wenn Mess- und Prozessrauschen korreliert auftreten Performanceunterschiede von vielen Parametern abhängig, z.b.: Varianzen von Mess- und Prozessrauschen Gewichtungsmatrizen Q und R Beschränkungen der Eingänge und deren zeitlicher Änderung Performanceunterschiede stark systemabhängig: Beste Ergebnisse für MIMO System Schlechteste Ergebnisse für SISO System (siehe Dokumentation) Bessere Performance auch, wenn MPC Modell durch Identifikation gewonnen wird 26
27 Herzlichen Dank fürs Zuhören! Offene Fragen? 27
Datenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
Datenanalyse PHY31 Herbstsemester 016 Olaf Steinkamp 36-J- olafs@physik.uzh.ch 044 63 55763 Vorlesungsprogramm Einführung, Messunsicherheiten, Darstellung von Messdaten Grundbegriffe der Wahrscheinlichkeitsrechnung
MehrVergleich automatischer Tuningmethoden für MPC Anwendungen ohne stationäre Abweichungen
Institute for Design and Control of Mechatronical Systems Vergleich automatischer Tuningmethoden für MPC Anwendungen ohne stationäre Abweichungen Lukas Oberguggenberger 22. März 2014 gã Überblick 1. MPC
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
Mehrkleinsten Quadraten Session 4: Angewandte Geodäsie und GNSS Geodätische Woche, 29. September 2011, Nürnberg
von von Session 4: Angewandte Geodäsie und GNSS Corinna Harmening Jens-André Geodätisches Institut Leibniz Universität Hannover Geodätische Woche, 29. September 2011, Nürnberg 1 / 12 Motivation von Abb.
MehrModellbasierte prädiktive Regelung
Modellbasierte prädiktive Regelung Eine Einführung für Ingenieure von Rainer Dittmar und Bernd-Markus Pfeiffer Oldenbourg Verlag München Wien 1 Einführung 1 1.1 Entwicklung der Prozessführung im gegenwärtigen
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
PHY3 Herbstsemester 04 Olaf Steinkamp Physik-Institut der Universität Zürich Winterthurerstrasse 90 CH-8057 Zürich olafs@physik.uzh.ch Büro: 36-J- Tel.: 044-635.57.63 Vorlesungsprogramm Einführung, Messunsicherheiten,
MehrÜbungsskript Regelungstechnik 2
Seite 1 von 11 Universität Ulm, Institut für Mess-, Regel- und Mikrotechnik Prof. Dr.-Ing. Klaus Dietmayer / Seite 2 von 11 Aufgabe 1 : In dieser Aufgabe sollen zeitdiskrete Systeme untersucht werden.
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrKlassische Testtheorie (KTT) Klassische Testtheorie (KTT) Klassische Testtheorie (KTT)
Klassische Testtheorie (KTT) Die KTT stellt eine Sammlung von Methoden dar, die seit Beginn des vorigen Jahrhunderts zur exakten und ökonomischen Erfassung interindividueller Unterschiede entwickelt wurden.
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 5. Juli 2011 Zunächst: PCA (Hauptkomponentenanalyse) ist eine mathematische Prozedur, die eine Anzahl von (möglicherweise korrelierten) Variablen
MehrAusgleichungsrechnung - nach der Methode der kleinsten Quadrate -
Computer Vision Ausgleichungsrechnung - nach der Methode der kleinsten Quadrate -.6.5 Problem Beispiel: Bestimmung der Parameter einer Gerade bei gegebenen x und fehlerhaften y y = ax+ b Beschreibung der
MehrZeitreihenanalyse. Seminar Finanzmathematik. Andreas Dienst SS Einleitung - Begrüßung - Motivation - Inhaltsangabe. 2.
Seminar Finanzmathematik - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Zeitreihenanalyse Andreas Dienst SS 2006 Zeitreihen: Definition und Motivation - Begrüßung - Motivation - Inhaltsangabe
MehrZeitreihenanalyse. H.P. Nachtnebel. Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau. Definitionen und Anwendung
.. Zeitreihenanalyse H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Definitionen und Anwendung Definition Zeitreihe zeitliche Abfolge von Messwerten, deren Auftreten
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
MehrIdentifikation von Intervallmodellen zur Prädiktion
Institute for Design and Control of Mechatronical Systems Identifikation von Intervallmodellen zur Prädiktion von Manuel Schürz Betreuer: Dr. Harald Kirchsteiger Sommersemester 2014 Ziele Vorhersage des
MehrMathematische Grundlagen Kalman Filter Beispielprogramm. Kalman Filter. Stephan Meyer
Kalman Filter Stephan Meyer FWPF Ortsbezogene Anwendungen und Dienste Georg-Simon-Ohm-Hochschule Nürnberg 07.12.2007 Outline 1 Mathematische Grundlagen 2 Kalman Filter 3 Beispielprogramm Mathematische
MehrMonte Carlo Finite Elemente Methode
Monte Carlo Finite Elemente Methode Lisa Eppler Johannes-Gutenberg Universität Mainz 18. Januar 2018 1 / 55 Inhalt Monte Carlo Finite Elemente Methode 1 Wiederholung 2 Monte Carlo 3 Beispiele 1-d 2-d 4
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
MehrMehrdimensionale Verteilungen und Korrelation
Vorlesung: Computergestützte Datenauswertung Mehrdimensionale Verteilungen und Korrelation Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik SS '17 KIT Die Forschungsuniversität in
MehrAnnahmen des linearen Modells
Annahmen des linearen Modells Annahmen des linearen Modells zusammengefasst A1: Linearer Zusammenhang: y = 0 + 1x 1 + 2x 2 + + kx k A2: Zufallsstichprobe, keine Korrelation zwischen Beobachtungen A3: Erwartungswert
MehrZusammenfassung 11. Sara dos Reis.
Zusammenfassung 11 Sara dos Reis sdosreis@student.ethz.ch Diese Zusammenfassungen wollen nicht ein Ersatz des Skriptes oder der Slides sein, sie sind nur eine Sammlung von Hinweise zur Theorie, die benötigt
MehrTechnische Universität Wien Institut für Automatisierungs- und Regelungstechnik. SCHRIFTLICHE PRÜFUNG zur VU Automatisierungstechnik am
Technische Universität Wien Institut für Automatisierungs- und Regelungstechnik SCHRIFTLICHE PRÜFUNG zur VU Automatisierungstechnik am 26.2.21 Name: Vorname(n): Matrikelnummer: Note: Aufgabe 1 2 3 4 erreichbare
MehrKlausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte, 90 min
Klausur, Analyse mehrdimensionaler Daten, WS 2010/2011, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 21.02.2011 Klausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte,
MehrGegeben sei folgendes lineare zeitinvariante Zustandsraummodell mit der Eingangsgröße u und dem Zustandsvektor x: dx
1 Teilklausur WS 15/16 Aufgabe 1 (6 Punkte) Gegeben sei folgendes lineare zeitinvariante Zustandsraummodell mit der Eingangsgröße u und dem Zustandsvektor x: [ ] [ ] 2 1 3 = Ax + bu = x + u dt 0 1 1 a)
MehrDer Umgang mit Unsicherheiten
Manfred Drosg Der Umgang mit Unsicherheiten Ein Leitfaden zur Fehleranalyse facultas Inhaltsverzeichnis 1 Einleitung 13 1.1 Wissenschaftlichkeit 14 1.2 Sichere (fehlerfreie) Daten 16 2 Grundlegendes über
MehrEntwurf, Test und Analyse adaptiver Regelungsstrategien für einen nichtlinearen totzeitbehafteten technischen Prozess
Fakultät Informatik Institut für angewandte Informatik- Professur Technische Informationssysteme Verteidigung der Diplomarbeit: Entwurf, Test und Analyse adaptiver Regelungsstrategien für einen nichtlinearen
MehrIndoor Location Tracking and Information System
Master Thesis Indoor Location Tracking and Information System Thomas Blocher tblocher@ee.oulu.fi TU Graz Österreich IMST GmbH Deutschland Indoor Location Tracking and Information System p. 1/14 Gliederung
Mehr1 Grundlagen des Portfolio Managements Mathematische Grundlagen im Portfolio Management Grundlagen der modernen Portfoliotheorie 203
Inhaltsübersicht 1 Grundlagen des Portfolio Managements 17 2 Mathematische Grundlagen im Portfolio Management 123 3 Grundlagen der modernen Portfoliotheorie 203 4 Die Anwendung des aktiven Portfolio Managements
MehrBerücksichtigung der Messunsicherheit bei Vergleichsmessungen am Beispiel von Wärmezählern
Berücksichtigung der Messunsicherheit bei Vergleichsmessungen am Beispiel von Wärmezählern Moritz Leopoldo Córdova Murillo Physikalisch- Technische Bundesanstalt Fachbereich 7.6 "Wärme" 260. PTB - Seminar
MehrStochastik Serie 11. ETH Zürich HS 2018
ETH Zürich HS 208 RW, D-MATL, D-MAVT Prof. Marloes Maathuis Koordinator Dr. Marvin Müller Stochastik Serie. Diese Aufgabe behandelt verschiedene Themenbereiche aus dem gesamten bisherigen Vorlesungsmaterial.
MehrStochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. P. Embrechts ETH Zürich Sommer 204 Stochastik (BSc D-MAVT / BSc D-MATH / BSc D-MATL) Schreiben Sie für Aufgabe 2-4 stets alle Zwischenschritte und -rechnungen sowie Begründungen auf. Vereinfachen
MehrHybride Systeme Einführung und Übersicht
Hybride Systeme Einführung und Übersicht Thomas Stauner Lehrstuhl Software & Systems Engineering Inhaltsübersicht Hybride Systeme Begriffsklärung und Motivation Eigenschaften Beschreibungstechniken Analysetechniken
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrR a i n e r N i e u w e n h u i z e n K a p e l l e n s t r G r e v e n T e l / F a x / e
R a i n e r N i e u w e n h u i z e n K a p e l l e n s t r. 5 4 8 6 2 8 G r e v e n T e l. 0 2 5 7 1 / 9 5 2 6 1 0 F a x. 0 2 5 7 1 / 9 5 2 6 1 2 e - m a i l r a i n e r. n i e u w e n h u i z e n @ c
MehrF r e i t a g, 3. J u n i
F r e i t a g, 3. J u n i 2 0 1 1 L i n u x w i r d 2 0 J a h r e a l t H o l l a, i c h d a c h t e d i e L i n u x - L e u t e s i n d e i n w e n i g v e r n ü n f t i g, a b e r j e t z t g i b t e
MehrL 3. L a 3. P a. L a m 3. P a l. L a m a 3. P a l m. P a l m e. P o 4. P o p 4. L a. P o p o 4. L a m. Agnes Klawatsch
1 L 3 P 1 L a 3 P a 1 L a m 3 P a l 1 L a m a 3 P a l m 2 P 3 P a l m e 2 P o 4 L 2 P o p 4 L a 2 P o p o 4 L a m 4 L a m p 6 N a 4 L a m p e 6 N a m 5 5 A A m 6 6 N a m e N a m e n 5 A m p 7 M 5 A m p
MehrS o n n t a g, 5. A u g u s t
S o n n t a g, 5. A u g u s t 2 0 1 8 R ü c k b l i c k, A b s c h i e d, v i e l p a s s i e r t u n d k e i n e Z e i t D r e i M o n a t e s i n d v e r g a n g e n, v o l l g e s t o p f t m i t s
MehrS o n n t a g, 2 6. N o v e m b e r
S o n n t a g, 2 6. N o v e m b e r 2 0 1 7 A u s f l u g n a c h N e v a d a u n d A r i z o n a D e r g r o ß e S o h n u n d i c h g i n g e n a u f e i n e F a h r t i n R i c h t u n g N e v a d a
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrPolynomiale Regression lässt sich mittels einer Transformation der Merkmale auf multiple lineare Regression zurückführen
Rückblick Polynomiale Regression lässt sich mittels einer Transformation der Merkmale auf multiple lineare Regression zurückführen Ridge Regression vermeidet Überanpassung, indem einfachere Modelle mit
MehrEinführung Fehlerrechnung
Einführung Fehlerrechnung Bei jeder Messung, ob Einzelmessung oder Messreihe, muss eine Aussage über die Güte ( Wie groß ist der Fehler? ) des Messergebnisses gemacht werden. Mögliche Fehlerarten 1. Systematische
MehrDeskriptive Beschreibung linearer Zusammenhänge
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,
MehrStichwortverzeichnis. Chi-Quadrat-Verteilung 183, 186, 189, 202 ff., 207 ff., 211 Testen von Zufallszahlen 294 Cărtărescu, Mircea 319
Stichwortverzeichnis A Ableitung partielle 230 absolute Häufigkeit 47 Abweichungen systematische 38, 216, 219 zufällige 216, 218, 220, 222 Algorithmus average case 303 Las Vegas 300 Monte Carlo 300 randomisierter
MehrPVK Statistik Tag Carlos Mora
PVK Statistik Tag 2 11.1.2012 Block 4 Block 3 Übersicht 11.1.2012 09:00 6. Zwei-Stichproben-Tests für stetige Verteilungen (2.Teil) Übung 2C 1h inkl. Pause 7. Lineare Regression 12:00 Übung 3 Mittag 13:00
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrAlgorithmen für geographische Informationssysteme. 6. Vorlesung: 14. Mai 2014
Algorithmen für geographische Informationssysteme 6. Vorlesung: 14. Mai 2014 Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen P 2 Δh 2,3 = 7.0 m P 3 Δh 1,2 =
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrAnsätze zur datengetriebenen Formulierung von Strukturhypothesen für dynamische Systeme
Ansätze zur datengetriebenen Formulierung von Strukturhypothesen für dynamische Systeme Christian Kühnert, Lutz Gröll, Michael Heizmann, Ralf Mikut 30.11.2011 Fraunhofer IOSB 1 Motivation CRISP Cross-Industry
MehrInhalt Software-Metriken Software-Metriken mit Together FindBugs. Software-Metriken
Software-Metriken Matthias Meitner Marc Spisländer Lehrstuhl für Software Engineering Friedrich-Alexander-Universität Erlangen-Nürnberg Meitner, Spisländer FAU Erlangen-Nürnberg Software-Metriken 1 / 24
MehrSeminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung
M.Sc. Brice Hakwa hakwa@uni-wuppertal.de Seminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung - Zusammenfassung zum Thema: Berechnung von Value-at-Risk
MehrName: Vorname(n): Matrikelnummer: Aufgabe erreichbare Punkte erreichte Punkte Punkte aus Übungsmitarbeit Gesamtpunktanzahl
Universität des Saarlandes, Lehrstuhl für Systemtheorie und Regelungstechnik SCHRIFTLICHE PRÜFUNG aus SYSTEMTHEORIE UND REGELUNGSTECHNIK I am 28.7.26 Name: Vorname(n): Matrikelnummer: Note: Aufgabe 2 3
MehrVergleich von Partial Cox Regression und Lasso zur Analyse von U berlebenszeiten bei hochdimensionalen Daten
Vergleich von Partial Cox Regression und Lasso zur Analyse von U berlebenszeiten bei hochdimensionalen Daten Claudia-Martina Messow Robertson Centre for Biostatistics, University of Glasgow Situation Methoden
MehrW09 p. 1. Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung
Der Verhältnisschätzer - Ratio estimator Beispiel: Schätzung der Anzahl Objekte (Bäume) in einem bestimmten Gebiet. Situation: Die Fläche ist unterteilt in Streifen / Transekte. Man wählt zufällig n =
MehrAdaptive Systeme. Sommersemester Prof. Dr. -Ing. Heinz-Georg Fehn. Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Sommersemester 2015 Prof. Dr. -Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Prof. Dr. H.-G. Fehn und Prof. Dr. N. Wulff 1 Adaptive Systeme Adaptives System: ein System, das
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 20/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt 4 Lösungshinweise (ohne Ganantie auf Fehlerfreiheit. Wenn man beim Roulette auf Rot oder Schwarz setzt, erhält
MehrAnalyse von zeitlichen Variationen bei unregelmäßig vorliegenden räumlichen Daten
. Analyse von zeitlichen Variationen bei unregelmäßig vorliegenden räumlichen Daten Geodätische Woche 2010 1 Andreas Ernst und Wolf-Dieter Schuh 7. Oktober 2010 Motivation Räumliche Daten entstehen inzwischen
MehrDer Korrelationskoezient nach Pearson
Der Korrelationskoezient nach Pearson 1 Motivation In der Statistik werden wir uns häug mit empirisch erfassten Daten beschäftigen. Um diese auszuwerten, ist es oftmals notwendig einen Zusammenhang zwischen
MehrHigh Performance Motion Control. Modellbasierte Entwicklung Virtueller Sensorik
High Performance Motion Control Modellbasierte Entwicklung Virtueller Sensorik Führend in Technologie Weltweit nah am Kunden Wirtschaftlich unabhängig Unser Team für Ihren Erfolg 2.820 Mitarbeiter 585
MehrQuadratische Gleichungen. Üben. Lösung. Quadratische Gleichungen. Klasse. Schwierigkeit. Art. math. Thema. Nr. Löse mit der Lösungsformel:
1a Löse mit der sformel: a) x 2 + 6x + 5 = 0 b) y 2 + 6y + 7 = 0 c) z 2 13z 48 = 0 1a a) a = 1, b = 6, c = 5 2 6 ± 6 4 1 5 x 1/ 2 = ; x1 5 ; x2 = 1 2 1 b) x 1 = 3 2 ; x 2 = 3+ 2 c) x1 = - 3 ; x2 = 16 1b
MehrMultivariate Verteilungen und Copulas
Multivariate Verteilungen und Copulas Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j
Mehr1 Grundbegriffe der Messtechnik 1
1 Grundbegriffe der Messtechnik 1 1.1 Definitionen 1 1.2 Art des Messens 3 1.3 Messsysteme 4 1.4 Messverfahren 6 1.4.1 Messmethoden 6 1.4.2 Messeffekt 8 1.5 Funktionselemente von Messeinrichtungen 9 1.6
MehrEntwicklung eines hybriden Algorithmus für adaptive Regler im geschlossenen Regelkreis
Entwicklung eines hybriden Algorithmus für adaptive Regler im geschlossenen Regelkreis Ensio Hokka Problemstellung In vielen industriellen Regelapplikationen besteht die Notwendigkeit die Parametrisierung
MehrGewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h
5. Die partielle Autokorrelationsfunktion 5.1 Definition, Berechnung, Schätzung Bisher: Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h ρ X (h) = Corr(X t, X
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
MehrErweiterung eines Verfahrens zur automatisierten Parameteridentifikation eines Fahrzeugmodells
Erweiterung eines Verfahrens zur automatisierten Parameteridentifikation eines Fahrzeugmodells Sebastian Wildfeuer Parameteridentifikation > 23. September 2008 > Folie 1 Themenübersicht Ausgangssituation,
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. M. Schweizer ETH Zürich Frühling 2014 Wahrscheinlichkeit und Statistik BSc D-INFK Name: Vorname: Stud. Nr.: Das Folgende bitte nicht ausfüllen! Aufg. Summe Kontr. Pkte.-Max. 1 10 2 10 3 10 4
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrKlassische Testtheorie (KTT) Klassische Testtheorie (KTT) Klassische Testtheorie (KTT)
Klassische Testtheorie (KTT) Die KTT stellt eine Sammlung von Methoden dar, die seit Beginn des vorigen Jahrhunderts zur exakten und ökonomischen Erfassung interindividueller Unterschiede entwickelt wurden.
MehrANOVA und Transformationen. Statistik II
und Statistik II Wiederholung Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur für nächste
MehrFehlerfortpflanzung. M. Schlup. 27. Mai 2011
Fehlerfortpflanzung M. Schlup 7. Mai 0 Wird eine nicht direkt messbare physikalische Grösse durch das Messen anderer Grössen ermittelt, so stellt sich die Frage, wie die Unsicherheitsschranke dieser nicht-messbaren
MehrProxies, Endogenität, Instrumentvariablenschätzung
1 4.2 Multivariate lineare Regression: Fehler in den Variablen, Proxies, Endogenität, Instrumentvariablenschätzung Literatur: Wooldridge, Kapitel 15, Appendix C.3 und Kapitel 9.4 Wahrscheinlichkeitslimes
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrMesstechnik und Modellierung in der Kardiologie
Messtechnik und Modellierung in der Kardiologie Elektrophysiologie Erregungsausbreitung Gliederung Wiederholung Zelluläre Elektrophysiologie Grundlagen Hodgkin-Huxley Modell Beeler-Reuter Modell Luo-Rudy
MehrTechnische Universität Wien Institut für Automatisierungs- und Regelungstechnik. SCHRIFTLICHE PRÜFUNG zur VU Automatisierung am
Technische Universität Wien Institut für Automatisierungs und Regelungstechnik SCHRIFTLICHE PRÜFUNG zur VU Automatisierung am 26.06.2015 Arbeitszeit: 120 min Name: Vorname(n): Matrikelnummer: Note: Aufgabe
MehrKalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern
Kalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern Vorlesung Robotik SS 016 Kalmanfiter () Kalman-Filter: optimaler rekursiver Datenverarbeitungsalgorithmus optimal hängt vom gewählten
MehrVerzerrung und Unsicherheit von Quantilschätzern
Verzerrung und Unsicherheit von Quantilschätzern Henning Rust, Malaak Kallache, Jürgen Kropp Potsdam-Institut für Klimafolgenforschung p.1/31 Motivation Festlegung von Bemessungsgrößen für die Wasserwirtschaft
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 12.11.2002 He uses statistics as a drunken man use lampposts - for support rather than for illumination. Andrew Lang Dr. Wolfgang Langer
MehrBegleitmaterial zur Vorlesung. Fehlerrechnung und Fehlerabschätzung bei physikalischen Messungen
Institut für Technische Thermodynamik und Kältetechnik Leiter: Prof. Dr.-Ing. K. Schaber Begleitmaterial zur Vorlesung Fehlerrechnung und Fehlerabschätzung bei physikalischen Messungen Verfasst von Dr.
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrMonte-Carlo-Verfahren nach GUM Supplement 1. Gerd Wübbeler Physikalisch-Technische Bundesanstalt
Monte-Carlo-Verfahren nach GUM Supplement 1 Gerd Wübbeler Physikalisch-Technische Bundesanstalt 1 Inhalt Wahrscheinlichkeitsverteilungen Monte-Carlo Verfahren Beispiele Adaptive Monte-Carlo Verfahren Warum
MehrEntwicklung asynchroner prädiktiver Regelungsverfahren für digital vernetzte Systeme
Entwicklung asynchroner prädiktiver Regelungsverfahren für digital vernetzte Systeme 1 P. Varutti 2 J. Pannek 3 C. Böhm 1 Universität Magdeburg 2 Universität Bayreuth 3 Universität Stuttgart 1. Workshop
MehrMathias Hinkel, WS 2010/11
Mathias Hinkel, WS 2010/11 1. Motivation und Einführungsbeispiel 2. Mathematische Beschreibung des Ofenprozesses 3. Lösungsansätze für Differentialgleichung 4. Einführung der Laplace-Transformation 5.
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
Mehr2. Vorlesung. Systemtheorie für Informatiker. Dr. Christoph Grimm. Professur Prof. Dr. K. Waldschmidt, Univ. Frankfurt/Main
2. Vorlesung Systemtheorie für Informatiker Dr. Christoph Grimm Professur Prof. Dr. K. Waldschmidt, Univ. Frankfurt/Main Letzte Woche: EA-System Eingabe: Ausgabe: u y t E/A-System 2. Vorlesung Systemtheorie
MehrFEM-basierte Generierung von Verhaltensmodellen
FEM-basierte Generierung von Verhaltensmodellen Joachim Haase, Sven Reitz, Peter Schwarz Fraunhofer-Institut für Außenstelle EAS Dresden Zeunerstr. 38 01069 Dresden 1 Einleitung Beschleunigungssensor -
MehrReinforcement Learning
Reinforcement Learning 1. Allgemein Reinforcement Learning 2. Neuronales Netz als Bewertungsfunktion 3. Neuronales Netz als Reinforcement Learning Nils-Olaf Bösch 1 Allgemein Reinforcement Learning Unterschied
MehrModerne Portfoliotheorie
ortfoliooptimierung nach Markowitz Moderne ortfoliotheorie Carlos Nasher Universität Hamburg Hamburg, 12. Mai 2009 ortfoliooptimierung nach Markowitz Moderne ortfoliotheorie 1. Theoretische Grundlagen
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrVorlesung 4: Spezifikation der unabhängigen Variablen
Vorlesung 4: Spezifikation der unabhängigen Variablen. Fehlspezifikation der unabhängigen Variablen. Auswirkungen einer Fehlspezifikation a. auf die Erwartungstreue der Schätzung b. auf die Effizienz der
MehrAngewandte Mathematik4
Timischl Lechner Angewandte Mathematik4 Kompetenzliste Inhaltsverzeichnis / Impressum Inhaltsverzeichnis Inhalts- und Handlungsbereiche des Kompetenzmodells in den durchgerechneten Beispielen der Angewandten
MehrTechnische Universität Wien Institut für Automatisierungs- und Regelungstechnik. SCHRIFTLICHE PRÜFUNG zur VU Automatisierung am
Technische Universität Wien Institut für Automatisierungs- und Regelungstechnik SCHRIFTLICHE PRÜFUNG zur VU Automatisierung am 27.04.2012 Arbeitszeit: 120 min Name: Vorname(n): Matrikelnummer: Note: Aufgabe
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
Mehr