Optimierte regionale Gravitationsfeldmodelle aus GOCE Daten
|
|
- Stefan Hartmann
- vor 5 Jahren
- Abrufe
Transkript
1 Optimierte regionale Gravitationsfeldmodelle aus GOCE Daten Judith Schall, Jürgen Kusche, Annette Eicker, Torsten Mayer-Gürr Institut für Geodäsie und Geoinformation, Astronomisch, Physikalische und Mathematische Geodäsie, Universität Bonn Geodätische Woche 2010, Köln
2 Regionale Gravitationsfeldanalyse Warum regionale Modellierung? weniger Beobachtungen und Parameter als bei der sphärisch harmonischen Analyse regionale Anpassung der Auflösung (Datendichte, Rauigkeit des Gravitationsfeldes) regionale Anpassung der Regularisierung keine global einheitliche Datenüberdeckung notwendig einfache Kombination mit (regionalen) terrestrischen Daten 2
3 Regionale Gravitationsfeldanalyse (2) Globale Gravitationsfeldlösung mit regionalen Verfeinerungen 3 repräsentiert durch Kugelfunktionsentwicklung repräsentiert durch lokale Basisfunktionen hier radiale Basisfunktionen
4 Beobachtungsgleichung Radiale Basisfunktionen (RBFen) RBFen als Summe über Legendre Polynome 4 4 Wahl des Formkoeffizienten? Anzahl und Anordnung der RBFen? Schätzung der Skalierungskoeffizienten in regularisiertem kleinste Quadrate Ausgleich
5 Wahl des Formkoeffizienten formale Fehler ITG-Grace2010s EGM
6 Anzahl und Anordnung der RBFen Bislang: gleichmäßige Verteilung der RBFen Definition eines sphärischen, globalen Gitters Anzahl angepasst an Form der RBFen/ Trägerbreite/Entwicklungsgrad N Anzahl bestimmt durch die Zahl unbekannter Parameter einer Kugelfunktionsentwicklung mit vergleichbarer Auflösung 6
7 Auswerteskizze P Beobachtungsgleichungen Verwendung kurzer Bahnbögen Annahme: Bögen unkorreliert langwellige Fehler modelliert durch empirische Parameter Diagonalelemente V xx, V yy, V zz Reduktion um Referenzmodell und Dealising Modelle Rotation ins GRF Auswertung Gauß Markov Modell Blockweise Akkumulation der Normalgleichungen Regularisierung Varianzkomponentenschätzung 7
8 Ergebnisse (1) Differenz ITG-Grace2010s (d/o 170) und ITG-Grace2010c (d/o 220) rms = 23mgal Differenz ITG-Grace2010s (d/o 170) mit Verfeinerung aus GOCE SGG Daten und ITG-Grace2010c (d/o 220) rms = 13mgal 8
9 Weitere regionale Anpassung des Verfahrens Bislang: gleichmäßige Anordnung der lokalen Basisfunktionen ohne Berücksichtigung besonderer Gravitationsfeldeigenschaften 9 Jetzt: gemeinsame Schätzung von Stützpunkten und Skalierungskoeffizienten der lokalen Basisfunktionen
10 Problem im Kontext der Bayes Statistik Nicht lineare Problemstellung wobei und Bayes Theorem 10 (1) Bayes Schätzer für Parameter und Kovarianzmatrix
11 Numerische Lösung durch Monte Carlo Integration Sampling von der a posteriori Dichte Erweiterung des Bruchs, Einsetzen des Bayes Theorems (1) Sampling von der a priori Dichte 11 Ausnutzen der Linearität in den Parametern Konditionale Monte Carlo Integration Reduktion der Sampling Dimension, Beschleunigung?
12 Konditionale Monte Carlo Integration reguläres Anfangsgitter Ensemble an Zufallsgittern Sampling von a priori Dichte 12 Bayes Schätzer Lineare kleinste Quadrate Schätzung und analog für Kovarianzmatrix wobei Beobachtungen GOCE Gradienten
13 Vorläufige Ergebnisse (2) Differenz ITG-Grace2010s (d/o 170) verfeinert und ITG-Grace2010c (d/o 220) reguläres Gitter rms = 13.1mgal Differenz ITG-Grace2010s (d/o 170) verfeinert und ITG-Grace2010c (d/o 220) Schlechtestes von 50 Zufallsgittern rms = 15.5mgal 13
14 Vorläufige Ergebnisse (3) Differenz ITG-Grace2010s (d/o 170) verfeinert und ITG-Grace2010c (d/o 220) reguläres Gitter rms = 13.1mgal Differenz ITG-Grace2010s (d/o 170) verfeinert und ITG-Grace2010c (d/o 220) Bestes von 50 Zufallsgittern rms = 11.7mgal 14
15 Zusammenfassung & Ausblick Bayes Ansatz für die gemeinsame Schätzung von Skalierungskoeffizienten und Knotenpositionen Erweiterung des Verfahrens denkbar (Optimierung Anzahl und Form) Konditionale Monte Carlo Integration, vorhandene Auswertesoftware fungiert als Black Box Regularisierung und Varianzkomponentenschätzung 15
Vergleich unterschiedlicher GOCE Orbit-Produkte
Vergleich unterschiedlicher GOCE Orbit-Produkte J. Schall, A. Shabanloui, J. Kusche 1 Institut für Geodäsie und Geoinformation IGG Astronomisch, Physikalische und Mathematische Geodäsie Universität Bonn
MehrInhaltsverzeichnis. 4 Statistik Einleitung Wahrscheinlichkeit Verteilungen Grundbegriffe 98
Inhaltsverzeichnis 1 Datenbehandlung und Programmierung 11 1.1 Information 11 1.2 Codierung 13 1.3 Informationsübertragung 17 1.4 Analogsignale - Abtasttheorem 18 1.5 Repräsentation numerischer Daten 20
MehrAssimilierung von GRACE-Daten in ein hydrologisches Modell mit Hilfe eines Ensemble-Kalman-Filter Ansatzes
Assimilierung von GRACE-Daten in ein hydrologisches Modell mit Hilfe eines Ensemble-Kalman-Filter Ansatzes M. Schumacher, A. Eicker, E. Kurtenbach, J. Kusche (Universität Bonn) P. Döll, H. Hoffmann-Dobrev,
MehrKonvexe Optimierung zur Schätzung von Kovarianzfunktionen
. Geodätische Woche 211 Konvexe Optimierung zur Schätzung von Kovarianzfunktionen 1 Lutz Roese-Koerner, Silvia Becker, Andreas Ernst und Wolf-Dieter Schuh Institut für Geodäsie und Geoinformation Professur
MehrVergleich von GMF/GPT mit VMF1/ECMWF und Konsequenzen für die Korrektur atmosphärischer Auflasten
Vergleich von GMF/GPT mit VMF1/ECMWF und Konsequenzen für die Korrektur atmosphärischer Auflasten Peter Steigenberger, Urs Hugentobler Institut für Astronomische und Physikalische Geodäsie, TU München
MehrGRACE-Datenanalyse mit dem Kalman-Filter
. GRACE-Datenanalyse mit dem Kalman-Filter Wie gut lassen sich aus GRACE-Beobachtungen echte tägliche Schwerefeldlösungen bestimmen? 1 Enrico Kurtenbach, Torsten Mayer-Gürr, Annette Eicker Institut für
MehrDer diskrete Kalman Filter
Der diskrete Kalman Filter Fachbereich: Informatik Betreuer: Marc Drassler Patrick Winkler 1168954 6. Dezember 2004 Technische Universität Darmstadt Simulation und Systemoptimierung Darmstadt Dribbling
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
MehrQuantifizierung einzelner Beiträge zum Meeresspiegel durch Kombination von Schwerefeld- und Altimeterdaten
Quantifizierung einzelner Beiträge zum Meeresspiegel durch Kombination von Schwerefeld- und Altimeterdaten L. Jensen, R. Rietbroek, A. Löcher, J. Kusche Universität Bonn 11.10.2012 Geodätische Woche, Hannover
MehrGEODÄTISCHES INSTITUT HANNOVER
Alexander Dorndorf, M.Sc. GEODÄTISCHES INSTITUT HANNOVER Entwicklung eines robusten Bayesschen Ansatzes für klein-redundante Ausgleichungsmodelle Motivation Funktionaler Zusammenhang: h = β 0 + β 1 x +
MehrDekorrelationsfilter und ihre Validierung am Beispiel von GOCE Messreihen
. Geodätische Woche Dekorrelationsfilter und ihre Validierung am Beispiel von GOCE Messreihen 1 Ina Krasbutter u. Wolf-Dieter Schuh Institut für Geodäsie und Geoinformation Professur für Theoretische Geodäsie
MehrApproximation flächenhaft harmonischer Funktionen mittels bikubisch finiter Elemente
. Session 6: Theoretische Geodäsie Approximation flächenhaft harmonischer Funktionen mittels bikubisch finiter Elemente 1 Jessica Franken Institut für Geodäsie und Geoinformation Professur für Theoretische
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
Mehrmit Ungleichungen als Restriktionen Quadratische Programmierung Gliederung Geodätische Woche 2009 Lutz Roese-Koerner und Wolf-Dieter Schuh
. Geodätische Woche 29 Quadratische Programmierung mit Ungleichungen als Restriktionen 1 Lutz Roese-Koerner und Wolf-Dieter Schuh Institut für Geodäsie und Geoinformation Professur für Theoretische Geodäsie
MehrMethoden der statistischen Inferenz
Leonhard Held Methoden der statistischen Inferenz Likelihood und Bayes Unter Mitwirkung von Daniel Sabanes Bove Spektrum KJL AKADEMISCHER VERLAG Vorwort vii 1 Einführung 1 1.1 Statistische Inferenz 1 1.2
MehrLeast Absolute Shrinkage And Seletion Operator (LASSO)
Least Absolute Shrinkage And Seletion Operator (LASSO) Peter von Rohr 20 März 2017 Lineare Modell und Least Squares Als Ausgangspunkt haben wir das Lineare Modell und Least Squares y = Xβ + ɛ (1) ˆβ =
MehrVerarbeitung von VLBI-Daten mit der Bernese GPS Software
Verarbeitung von VLBI-Daten mit der Bernese GPS Software Ralf Schmid, Urs Hugentobler Institut für Astronomische und Physikalische Geodäsie, TU München Markus Rothacher Deutsches GeoForschungsZentrum Gliederung
MehrAngewandte Mathematik am Rechner 1
Michael Wand Institut für Informatik. Angewandte Mathematik am Rechner 1 SOMMERSEMESTER 2017 Kapitel 5 Grundlagen Analysis Kontinuierliche Mengen Vollständige Mengen Folgen Iterative Berechnungen Grenzwert:
MehrWISSENSCHAFTLICHE BEITRÄGE
WISSENSCHAFTLICHE BEITRÄGE AUS DEM TECTUM VERLAG Reihe Wirtschaftswissenschaften Band 39 Ralph Wirth Best-Worst Choice-Based Conjoint-Analyse Eine neue Variante der wahlbasierten Conjoint-Analyse Tectum
MehrSzenario und Wirklichkeit
Szenario und Wirklichkeit Wie weit lassen sich Risikoberechnungen bei Naturgefahren vereinfachen? Katharina Fischer / Matthias Schubert Übersicht Szenario und Wirklichkeit Ziel: - Kritische Diskussion
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 31. Mai 2011 4. Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der
MehrKalibrierung von GRACE Akzelerometerdaten und deren Einfluss auf die Schätzung der thermosphärischen Neutraldichte
. Masterarbeit Kalibrierung von GRACE Akzelerometerdaten und deren Einfluss auf die Schätzung der thermosphärischen Neutraldichte 1 M.Sc. Kristin Vielberg Universität Bonn Institute für Geodäsie and Geoinformation
MehrEGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN
1 EGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN UFBAU 1 Historie 2 Anwendungen / Ziele 3 Lineare Regression/ Beispiel KQ 4 Nichtlineare Regression 5 Eigenschaften der Schätzer istorie früheste Form
MehrFinite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt Übersicht Partielle Differentialgleichungen, Approximation der Lösung Finite Elemente, lineare und höhere Ansatzfunktionen Dünn
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
Mehry = b 0 + b 1 x 1 x 1 ε 1. ε n b + b 1 1 x n 2) Hat die Größe x einen Einfluss auf y, d.h. gilt die Hypothese: H : b 1 = 0
8 Lineare Modelle In diesem Abschnitt betrachten wir eine spezielle Klasse von statistischen Modellen, in denen die Parameter linear auftauchen Wir beginnen mit zwei Beispielen Beispiel 8 (lineare Regression)
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
MehrDie Bestimmung physikalischer Höhen mit Satelliten
Die Bestimmung physikalischer Höhen mit Satelliten Thomas Gruber Technische Universität München Lehrstuhl für Astronomische und Physikalische Geodäsie e-mail Thomas.Gruber@tum.de Übersicht 1. Das GNSS-Nivellement
MehrWahrscheinlichkeitsrechnung und schließende Statistik
Springer-Lehrbuch Wahrscheinlichkeitsrechnung und schließende Statistik Bearbeitet von Karl Mosler, Friedrich Schmid 4., verb. Aufl. 2010. Taschenbuch. XII, 347 S. Paperback ISBN 978 3 642 15009 8 Format
MehrSchätzung im multiplen linearen Modell VI
Schätzung im multiplen linearen Modell VI Wie im einfachen linearen Regressionsmodell definiert man zu den KQ/OLS-geschätzten Parametern β = ( β 0, β 1,..., β K ) mit ŷ i := β 0 + β 1 x 1i +... β K x Ki,
MehrWiederholung: Iterative Verfahren
Wiederholung: Iterative Verfahren Vorlesung Inverse Probleme 22.12.2011 Inhalt Landweber-Iteration Nichtlineare Probleme Konjugierte Gradientenmethoden Landweber-Iteration T Tx = T y äquivalente Fixpunktgleichung
MehrInhaltsverzeichnis. Bibliografische Informationen digitalisiert durch
Grundlagen 1 1.1 Einleitung 1 1.2 Grundbegriffe 2 1.2.1 Systemgrenzen 3 1.2.2 Qualitätsmerkmal 4 1.2.3 Parameter und Faktoren 5 1.2.4 Stufen 6 1.2.5 Vergleich zu traditionellen Verfahren 6 1.3 Auswertung
MehrEinfluss von Dichteannahmen auf die Modellierung topographischer Effekte
Geodätische Woche 2010 05. - 07. Oktober, Köln Session 2: Schwerefeld und Geoid Einfluss von Dichteannahmen auf die Modellierung topographischer Effekte Thomas Grombein, Kurt Seitz und Bernhard Heck t
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrZeitliche Schwerevariationen und GRACE
Zeitliche Schwerevariationen und GRACE Thomas Peters, Lorant Földvary Institut für Astronomische und Physikalische Geodäsie Technische Universität München Gliederung Zeitliche Schwerevariationen Übersicht
MehrLineare Regression und Varianzanalyse
Lineare Regression und Varianzanalyse Von Prof. Dr. Fritz Pokropp Universität der Bundeswehr Hamburg R. Oldenbourg Verlag München Wien Inhaltsverzeichnis 1 Einleitung 1 1.1 Grundstruktur linearer Modelle
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayes sches Lernen. Niels Landwehr
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Bayes sches Lernen Niels Landwehr Überblick Grundkonzepte des Bayes schen Lernens Wahrscheinlichstes Modell gegeben Daten Münzwürfe
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 13. Juli 2011 Ziel der Vorlesung Vermittlung von Grundkenntnissen der Statistik, Simulationstechnik und numerischen Methoden (Algorithmen) Aufgabe:
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 =
Mehr6. Polynom-Interpolation
6. Polynom-Interpolation 1 6.1. Klassische Polynom-Interpolation 2 6.2. Lösung mit Hilfe Lagrange scher Basisfunktionen 3 6.3. Lösung mit Hilfe Newton scher Basisfunktionen 4 6.4. Fehlerabschätzung für
MehrBayes-Netze (2) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Bayes-Netze (2) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl KI) Bayes-Netze (2) 1 / 23 Gliederung 1 Zusammenhang zwischen Graphenstruktur
MehrGrundriss der Generalisierten Gauß'schen Fehlerrechnung
Michael Grabe Grundriss der Generalisierten Gauß'schen Fehlerrechnung ""Jl'..~.t. itj':; ~;.." $ ~J,jl.\t~~~":'.~,_:l'~~;:..:~~t';t~ n ~'1j1:;~~,pt~,,:tK:"~~f:' ~:~. ~ Springer Inhaltsverzeichnis Teil
MehrIn ständiger Bewegung Bahnbestimmung im Zeitalter der Space Geodesy Adrian Jäggi
Overview In ständiger Bewegung Bahnbestimmung im Zeitalter der Space Geodesy Adrian Jäggi Slide 1 Overview Slide 2 Moderne Satellitenbeobachtungsverfahren GNSS GPS Global Navigation Satellite System GLONASS
MehrQuantifizierung der Unsicherheit von Netzmessungen in einer Venturi-Düse bei unsicheren Zuströmbedingungen
Quantifizierung der Unsicherheit von Netzmessungen in einer Venturi-Düse bei unsicheren Zuströmbedingungen, Jonas Steinbock, André Fiebach, Thomas Lederer Erfahrungsaustausch zum Thema Flow am 29.2.2016
MehrKlassische und robuste Ausgleichungsverfahren
Jäger/Müller/Saler/Schwäble Klassische und robuste Ausgleichungsverfahren Ein Leitfaden für Ausbildung und Praxis von Geodäten und Geoinformatikern Herbert Wichmann Verlag Heidelberg 1 Einleitung 1 1.1
MehrDFG-Projekt He1433/21-2
DFG-Projekt He1433/21-2 1 Lösung des GRWP mittels analytischer Fortsetzung (1) Marych (1969) und Moritz (1969) Analytische (harmonische) Fortsetzung von g von der Erdoberfläche auf die (normale) Niveaufläche
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,
MehrDipl.-Ing. Christoph Erath 10. November FVM-BEM Kopplung. Was gewinnen wir, wenn wir zwei numerische Methoden miteinander koppeln?
Dipl.-Ing. Christoph Erath 10. November 2007 FVM-BEM Kopplung Was gewinnen wir, wenn wir zwei numerische Methoden miteinander koppeln? Seite 2 FVM-BEM Kopplung 10. November 2007 Dipl.-Ing. Christoph Erath
MehrStatistische und numerische Methoden der Datenanalyse
Statistische und numerische Methoden der Datenanalyse Von Prof. Dr. rer. nat. Volker Blobel und Prof. Dr. rer. nat. Erich Lohrmann DESY und Universität Hamburg m B. G. Teubner Stuttgart Leipzig 1998 Prof.
MehrBayesianische FDR (Teil2)
des Multiplen Testens FDR, FNR FDR 13.12.2010 Inhalt FDR, FNR FDR 1 2 FDR, FNR FDR Inhalt FDR, FNR FDR 1 2 FDR, FNR FDR Bedingte Wahrscheinlichkeit FDR, FNR FDR (Ω, F, P) W-Raum, A 1, A 2,...A n F, A i
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
MehrWahrscheinlichkeitsrechnung und Statistik
9. Vorlesung - 2017 Monte Carlo Methode für numerische Integration Sei g : [0, 1] R stetige Funktion; man möchte 1 0 g(t)dt numerisch approximieren mit Hilfe von Zufallszahlen: Sei (U n ) n eine Folge
MehrEinfluss der räumlichen Punktverteilung beim Laserscanning auf die Parameterschätzung deformierter Flächen
Einfluss der räumlichen Punktverteilung beim Laserscanning auf die Parameterschätzung deformierter Flächen 17. Internationaler Ingenieurvermessungskurs in Zürich Christoph Holst & Heiner Kuhlmann 17. Januar
MehrSimultane Realisierung des terrestrischen Referenzsystems (ITRS) und zälestischen Referenzsystems (ICRS)
Simultane Realisierung des terrestrischen Referenzsystems (ITRS) und zälestischen Referenzsystems (ICRS) M. Seitz 1, P. Steigenberger 2, T. Artz 3, M. Bloßfeld 1, R. Heinkelmann 1, H. Müller 1, M. Gerstl
MehrNichtlineare Klassifikatoren
Nichtlineare Klassifikatoren Mustererkennung und Klassifikation, Vorlesung No. 11 1 M. O. Franz 12.01.2008 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Duda et al., 2001. Übersicht
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Tobias Scheffer Thomas Vanck Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
MehrRL und Funktionsapproximation
RL und Funktionsapproximation Bisher sind haben wir die Funktionen V oder Q als Tabellen gespeichert. Im Allgemeinen sind die Zustandsräume und die Zahl der möglichen Aktionen sehr groß. Deshalb besteht
MehrMulti-dimensionale Signalanpassung durch Spline-Funktionen
Keynote: Session 6 Theoretische Geodäsie Multi-dimensionale Signalanpassung durch Spline-Funktionen Michael Schmidt Deutsches Geodätisches Forschungsinstitut (DGFI), München, Germany Email: schmidt@dgfi.badw.de
MehrMethoden der Statistik Markov Chain Monte Carlo Methoden
Methoden der Statistik Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 08.02.2013 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
MehrGrundlagen der Objektmodellierung
Grundlagen der Objektmodellierung Daniel Göhring 30.10.2006 Gliederung Grundlagen der Wahrscheinlichkeitsrechnung Begriffe zur Umweltmodellierung Bayesfilter Zusammenfassung Grundlagen der Wahrscheinlichkeitsrechnung
MehrDie Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation. Jens Schiborowski
Die Bestimmung von Value-at-Risk- Werten mit Hilfe der Monte-Carlo- Simulation Jens Schiborowski Gliederung Einführung Monte-Carlo-Simulation Definition von Monte-Carlo-Simulation Einsatzgebiete von Monte-Carlo-Simulation
MehrRechenverfahren und Auswertemodelle der Landesvermessung
Bernhard Heck Rechenverfahren und Auswertemodelle der Landesvermessung Klassische und moderne Methoden Herbert Wichmann Verlag Karlsruhe IX INHALT Seite TEIL I: ALLGEMEINE GRUNDLAGEN 1 Einführung 1 1.1
MehrBayessche Lineare Regression
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Baessche Lineare Regression Niels Landwehr Überblick Baessche Lernproblemstellung. Einführendes Beispiel: Münzwurfexperimente.
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
MehrComputer in der Wissenschaft
Dr. Michael O. Distler distler@uni-mainz.de Mainz, 8. Januar 2014 Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der kleinsten
MehrBias-Korrektur und lokale Verfeinerung regionaler Klimaszenarien am Beispiel der Berchtesgadener Alpen
Bias-Korrektur und lokale Verfeinerung regionaler Klimaszenarien am Beispiel der Berchtesgadener Alpen Dr. Stefanie Vogl Kontakt: stefanie.vogl@kit.edu Wozu regionale Klimasimulationen? Die Klimaerwärmung
MehrSimulation der instationären Strömung in einem Diffusionsofen mit Wärmestrahlung
Simulation der instationären Strömung in einem Diffusionsofen mit Wärmestrahlung R. Kessler DLR-AS-CASE Simulation der instationären Strömung in einem Diffusionsofen mit Wärmestrahlung Slide 1 > HPC 2009
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 28.05.2009 1 Korrektur zur letzten Vorlesung Bsp. Fehlerfortpflanzung in einer Messung c B a 2 2 E c Var c a b A b 2 2 2 n h( x)
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
MehrGeodätische Woche 2014 Session 6 Theoretische Geodäsie
Enrico Mai (IfE/LUH) & Robin Geyer (ZIH/TUD) Numerische Integration mittels Lie Reihen unter Verwendung von Parallelem Rechnen Geodätische Woche 2014 Session 6 Theoretische Geodäsie Berlin, 07.10.2014
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
MehrAnalyse von räumlichen Punktverteilungen beim Laserscanning zur Verbesserung der Parameterschätzung deformierter Flächen
Analyse von räumlichen Punktverteilungen beim Laserscanning zur Verbesserung der Parameterschätzung deformierter Flächen Geodätische Woche 13, Essen Christoph Holst & Heiner Kuhlmann 8. Oktober 13 Christoph
Mehr3 Trend- und Saisonkomponenten
3 Trend- und Saisonkomponenten Schritte bei der Analyse von Zeitreihendaten : Plot ; Identifikation von Strukturbrüchen, Ausreißern etc. ; Modellansatz, z.b. klassisches Komponentenmodell X t = m t + s
MehrProbabilistische Analyse regionaler Klimasimulationen
Probabilistische Analyse regionaler Klimasimulationen Christian Schölzel und Andreas Hense Meteorologisches Institut der Universität Bonn Fachgespräch Ableitung von regionalen Klimaszenarien aus Multi-Modell-Ensembles,
MehrLösungen zur Prüfung Angewandte Statistische Methoden in den Nutzierwissenschaften FS 2016
ETH Zürich D-USYS Institut für Agrarwissenschaften Lösungen zur Prüfung Angewandte Statistische Methoden in den Nutzierwissenschaften FS 2016 Peter von Rohr Datum 30. Mai 2016 Beginn 08:00 Uhr Ende 08:45
MehrINGENIEUR-STATISTIK DR. JOSEF HEINHOLD DR. KARL-WALTER GAEDE R. OLDENBOURG VERLAG MÜNCHEN WIEN 1979
INGENIEUR-STATISTIK DR. JOSEF HEINHOLD o. Professor für Angewandte Mathematik und Mathematische Statistik an der Technischen Universität München DR. KARL-WALTER GAEDE o. Professor für Mathematische Statistik
MehrKonzepte der Statistik für die Messdatenanalyse
Konzepte der Statistik für die Messdatenanalyse Modelle Beispiel: optische Abbildung im Fernfeld (Fraunhoferbeugung) indirekte Messgröße: Abstand der beiden Spalte D Modell inverses Problem direkte Messgrößen:
MehrZüchtungslehre - Genomische Selektion Peter von Rohr
Züchtungslehre - Genomische Selektion Peter von Rohr 2016-12-09 Einleitung Zuchtprogramme werden betrieben um die fundamentalen Probleme in der Tierzucht zu lösen. Wir hatten in früheren Kapiteln gesehen,
MehrFinite Elemente Methoden (aus der Sicht des Mathematikers)
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt Übersicht: Partielle Differentialgleichungen, Approximation der Lösung, Finite Elemente, lineare und höhere Ansatzfunktionen, Dünn
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
MehrStochastik Praktikum Markov Chain Monte Carlo Methoden
Stochastik Praktikum Markov Chain Monte Carlo Methoden Humboldt-Universität zu Berlin 14.10.2010 Problemstellung Wie kann eine Zufallsstichprobe am Computer simuliert werden, deren Verteilung aus einem
MehrGrundkompetenzkatalog. Mathematik
Grundkompetenzkatalog Mathematik AG - Algebra und Geometrie AG 1.1 AG 1.2 AG 2.1 AG 2.2 AG 2.3 AG 2.4 AG 2.5 AG 3.1 AG 3.2 AG 3.3 Wissen über Zahlenmengen N, Z, Q, R, C verständig einsetzen Wissen über
MehrCombination of time series of excitation functions considering the common original observations
Geodätische Woche Köln, Deutschland, 5.-8. Oktober 2010 P9: Combined analysis and validation of Earth rotation models and observations GIH, DGFI, TUM Combination of time series of excitation functions
MehrEinfluss nicht-gezeiten-bedingter Auflasteffekte durch Atmosphäre, Ozean und Hydrologie auf globale GNSS-Lösungen
Einfluss nicht-gezeiten-bedingter Auflasteffekte durch Atmosphäre, Ozean und Hydrologie auf globale GNSS-Lösungen S. Franke (1), Ole Roggenbuck (1), D. Thaller (2), R. Dach (3), P. Steigenberger (4) (1)
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrAnwendungen von Kraft/Beschleunigungs- Sensordatenfusion. Daniel Kubus Institut für Robotik und Prozessinformatik
Anwendungen von Kraft/Beschleunigungs- Sensordatenfusion Daniel Kubus Technische Universität - 1/22 - Braunschweig Gliederung Motivation Verfügbare Sensoren und Alternativen Schätzung von Last-Trägheitsparametern
MehrGenetische Algorithmen
Genetische Algorithmen Prof. Dr. Ottmar Beucher Dezember 2001 Genetische Algorithmen 1 Optimierungsaufgaben Ein einfaches Beispiel Prinzipielle Formulierung Lösungsansätze Genetische Algorithmen Anwendungen
MehrFachbereich Mathematik, Aktuarswissenschaften Ostbayerische Technische Hochschule Regensburg. Skriptum zur Vorlesung.
Fachbereich Mathematik, Aktuarswissenschaften Ostbayerische Technische Hochschule Regensburg Skriptum zur Vorlesung Risikotheorie (Stochastische Risikomodellierung und statistische Methoden) WiSe 2013/14
MehrDie Datenmatrix für Überwachtes Lernen
Die Datenmatrix für Überwachtes Lernen X j j-te Eingangsvariable X = (X 0,..., X M 1 ) T Vektor von Eingangsvariablen M Anzahl der Eingangsvariablen N Anzahl der Datenpunkte Y Ausgangsvariable x i = (x
MehrAuswahl repräsentativer Netznutzungsfälle zur Bewertung zukünftiger Systemzustände in der Betriebsplanung elektrischer Übertragungsnetze
Auswahl repräsentativer Netznutzungsfälle zur Bewertung zukünftiger Systemzustände in der Betriebsplanung elektrischer Übertragungsnetze Oliver Scheufeld, Lukas Kalisch, Andreas Moormann, Simon Krahl,
MehrBayesianische FDR (Teil 1)
Bayesianische FDR (Teil 1) Mareile Große Ruse Seminar Multiples Testen 08.11.2010 Übersicht Übersicht Übersicht Alternative: Übersicht Alternative: Übersicht Alternative: Bedingte Wahrscheinlichkeit (Ω,
MehrÖkonometrie. Hans Schneeweiß. 3., durchgesehene Auflage. Physica-Verlag Würzburg-Wien 1978 ISBN
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Hans Schneeweiß Ökonometrie 3., durchgesehene Auflage Physica-Verlag
Mehr