Elementy wspo łczesnej teorii inwersji

Podobne dokumenty
Elementy wspo łczesnej teorii inwersji

Elementy wspo łczesnej teorii inwersji

Elementy wspo łczesnej teorii inwersji

Metody inwersji Bayesowskiej -L7- IGF PAN, 21.IV.2005

Współczesna technika inwersyjna - dokad zmierzamy? Wojciech Dȩbski

Układy równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona) f(x) = 0, gdzie. dla n=2 np.

Metody Optymalizacji: Przeszukiwanie z listą tabu

Techniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I

Lokalizacja zjawisk sejsmicznych w kopalni - problemy. Lokalizacja - problemy. brak czasu w ognisku. Lokalizacja względna. niedokładne wyznaczanie

Optymalizacja ciągła

RÓWNANIA NIELINIOWE Maciej Patan

Przykłady problemów optymalizacyjnych

METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne

Inverse problems - Introduction - Probabilistic approach

Metody Rozmyte i Algorytmy Ewolucyjne

Stochastyczne zagadnienie rozdziału z dyskretnym rozkładem popytu

Zaawansowane metody numeryczne

METODY NUMERYCZNE. wykład. konsultacje: wtorek 10:00-11:30 środa 10:00-11:30. dr inż. Grażyna Kałuża pokój

Aproksymacja funkcji a regresja symboliczna

Algorytm Grovera. Kwantowe przeszukiwanie zbiorów. Robert Nowotniak

Rozwiazywanie układów równań liniowych. Ax = b

SZTUCZNA INTELIGENCJA

BADANIA OPERACYJNE I TEORIE OPTYMALIZACJI. Zagadnienie transportowe

Plan. Zakres badań teorii optymalizacji. Teoria optymalizacji. Teoria optymalizacji a badania operacyjne. Badania operacyjne i teoria optymalizacji

w analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.

Przegląd metod optymalizacji wielowymiarowej. Funkcja testowa. Funkcja testowa. Notes. Notes. Notes. Notes. Tomasz M. Gwizdałła

Komputerowa analiza zagadnień różniczkowych 10. Dwupunktowe problemy brzegowe (BVP, Boundary Value Problems)

Wykład na Politechnice Krakowskiej w dniu 18 stycznia 2012 r. ZADAŃ I ALGORYTMÓW W OPTYMALIZACJI DYSKRETNEJ

etody programowania całkowitoliczboweg

3. Interpolacja. Interpolacja w sensie Lagrange'a (3.1) Dana jest funkcja y= f x określona i ciągła w przedziale [a ;b], która

Wyk lad 4 Macierz odwrotna i twierdzenie Cramera

Matematyka stosowana i metody numeryczne

Metody Numeryczne Optymalizacja. Wojciech Szewczuk

Algorytmy i Struktury Danych.

Optymalizacja. Wybrane algorytmy

Zrównoleglona optymalizacja stochastyczna na dużych zbiorach danych

Metody systemowe i decyzyjne w informatyce

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 4. Równania różniczkowe zwyczajne podstawy teoretyczne

Planowanie przejazdu przez zbiór punktów. zadania zrobotyzowanej inspekcji

Wojciech Skwirz

Akwizycja i przetwarzanie sygnałów cyfrowych

UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH

1 Wykład 4. Proste Prawa wielkich liczb, CTG i metody Monte Carlo

Metody rozwiązywania równań nieliniowych

8. PODSTAWY ANALIZY NIELINIOWEJ

WYKŁAD: Perceptron Rosenblatta. Maszyny wektorów podpierających (SVM). Empiryczne reguły bayesowskie. Zaawansowane Metody Uczenia Maszynowego

Rozpoznawanie obrazów

Zaawansowane algorytmy i struktury danych

PROGRAMOWANIE NIELINIOWE

Metody Programowania

Metody inwersji Bayesowskiej - zaczynamy...

KADD Minimalizacja funkcji

Problemy Decyzyjne Markowa

1 Metody rozwiązywania równań nieliniowych. Postawienie problemu

ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ

Kolorowanie wierzchołków grafu

Programowanie celowe #1

2.12. Zadania odwrotne kinematyki

numeryczne rozwiązywanie równań całkowych r i

Proponowana tematyka prac dyplomowych magisterskich na kierunku Matematyka stopień II Rok akademicki 2018/2019

Wykład 10 Skalowanie wielowymiarowe

UKŁADY RÓWNAŃ LINIOWYCH -Metody dokładne

Optymalizacja ciągła

Rola stacji gazowych w ograniczaniu strat gazu w sieciach dystrybucyjnych

WEKTORY I WARTOŚCI WŁASNE MACIERZY. = λ c (*) problem przybliżonego rozwiązania zagadnienia własnego dla operatorów w mechanice kwantowej

Programowanie liniowe metoda sympleks

Analiza ruchu. Marek Wnuk < > ZPCiR I-6 PWr. MW: SyWizE p.1/22

Wybrane metody przybliżonego. wyznaczania rozwiązań (pierwiastków) równań nieliniowych

Optymalizacja ciągła

WYKŁAD 6. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki

Optymalizacja. Przeszukiwanie lokalne

Hierarchiczna analiza skupień

TEORETYCZNE PODSTAWY INFORMATYKI

równania funkcyjne opisujące relacje spełniane przez pochodne nieznanej (poszukiwanej) funkcji

Postać Jordana macierzy

Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11,

WYKŁAD 9 METODY ZMIENNEJ METRYKI

Geodezja fizyczna i geodynamika

Wstęp do metod numerycznych 9a. Układy równań algebraicznych. P. F. Góra

Kalibracja. W obu przypadkach jeśli mamy dane, to możemy znaleźć równowagę: Konwesatorium z Ekonometrii, IV rok, WNE UW 1

Wstęp do metod numerycznych Rozwiazywanie równań algebraicznych. P. F. Góra

Algorytmy i struktury danych.

Matematyczne Podstawy Informatyki

Wstęp do metod numerycznych Algebraiczna metoda gradientów sprzężonych. P. F. Góra

Metody systemowe i decyzyjne w informatyce

Numeryczne metody optymalizacji Optymalizacja w kierunku. informacje dodatkowe

Szukanie rozwiązań funkcji uwikłanych (równań nieliniowych)

Wykład 5 Dopasowywanie lokalne

Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa. P. F. Góra

Metody eksploracji danych 2. Metody regresji. Piotr Szwed Katedra Informatyki Stosowanej AGH 2017

1 Relacje i odwzorowania

Techniki Optymalizacji: Metody regresji

Metoda graficzna może być stosowana w przypadku gdy model zawiera dwie zmienne decyzyjne. Metoda składa się z dwóch kroków (zobacz pierwszy wykład):

Własności eksploatacyjne i eksploracyjne algorytmów ewolucyjnych z mutacja. α stabilna. Andrzej Obuchowicz i Przemysław Prętki

Sterowanie napędów maszyn i robotów

[d(i) y(i)] 2. Do wyprowadzenia algorytmu RLS posłuży kryterium autokorelacyjne: J n = e 2 (i) i=1. λ n i [d(i) y(i)] 2 λ (0, 1]

Modyfikacja schematu SCPF obliczeń energii polaryzacji

Ekonometria - ćwiczenia 10

Optymalizacja systemów

ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL. sin x2 (1)

Transkrypt:

Elementy wspo łczesnej teorii inwersji W. Debski, 11.12.2014

Liniowy problem odwrotny m est (λ) = m apr + (G T G + λi) 1 G T ( dobs G m apr) +δ debski@igf.edu.pl: W3-1 IGF PAN, 11.12.2014

Metoda algebraiczna - back-projection data d=gm Dobs d=g(m) Dapr Mapr Mtrue model parameter debski@igf.edu.pl: W3-2 IGF PAN, 11.12.2014

Metoda algebraiczna - back-projection W podejściu algebraicznym, ze wzgl edu na liniowość problemu: d = G m możemy w jednym kroku przejść od modelu a priori do modelu prawdziwego m apr = m true : d obs G m true debski@igf.edu.pl: W3-3 IGF PAN, 11.12.2014

Elementy wspo łczesnej teorii inwersji Metoda algebraiczna - minimalizacja residuo w S(m) = dobs dth(m) mapr = mtrue : debski@igf.edu.pl: W3-4 S(m) = min IGF PAN, 11.12.2014

Problem nieliniowyl - back-projection Główna wada podejścia algebraicznego jest możliwość zastosowanie tylko do problemów liniowych. Gdy liniowość jest nietrywialana zastosowanie techniki globalnej linearyzacji bedzie prowadziło zwykle do nieprawdziwych rozwiazań. Musimy postepować inaczej. Jednym ze sposobów jest iteracja metody algebraicznej. Polega ona na wykorzystaniu lokalnej linearyzacji i iteracyjne powtarzanie metody algebraicznej. debski@igf.edu.pl: W3-5 IGF PAN, 11.12.2014

Problem nieliniowy - iteracja algebraiczna Dobs d=g(m) Dapr Mapr Mtrue model parameter debski@igf.edu.pl: W3-6 IGF PAN, 11.12.2014

Elementy wspo łczesnej teorii inwersji Iteracyjna metoda algebraiczna - przeszukiwanie przestrzeni Zagadnienie odwrotne minimalizacja residuo w debski@igf.edu.pl: W3-7 IGF PAN, 11.12.2014

Inwersja - metoda optymalizacyjna Zagadnienie odwrotne szukamy m est takiego, że d obs d th (m est ) = min lub d obs d th (m est ) D + λ m est m apr M = min debski@igf.edu.pl: W3-8 IGF PAN, 11.12.2014

Inwersja - metoda optymalizacyjna metoda nieliniowa fizyczny sens regularyzacji poszukujemy jednego (optymalnego) rozwiazania zaniedbane wszystkie bł edy i niedokładności jak mierzyć dokładność dopasowania d th d obs? jak rozwiazać problem optymalizacji? czy rozwiazanie jest jednoznaczne? debski@igf.edu.pl: W3-9 IGF PAN, 11.12.2014

Normy l 1 d = i di C i Absolute value norm l 2 d = ij di C ij d j Gaussian norm l c d = i log (1 + l m d = log ( ) ) d i 2 C i ( 1 + ( ) ) d i 2 i C i l s d = i log [cosh ( xi C i )] Cauchy norm Modified Cauchy norm Hyperbolic secant norm l p d = p i ( d i C i ) p generalized Gaussian norm debski@igf.edu.pl: W3-10 IGF PAN, 11.12.2014

Dygresja: okrag w metryce nieeuklidesowej Okrag o promieniu r i środku w punkcie O to zbiór punktów równo odległych od punktu O r = 1 debski@igf.edu.pl: W3-11 IGF PAN, 11.12.2014

Elementy wspo łczesnej teorii inwersji Dygresja: okrag, w metryce nieeuklidesowej Norm c1 = 2c2 c1 = c2 c1 = 21 c2 l1 l2 lc debski@igf.edu.pl: W3-12 IGF PAN, 11.12.2014

Różne normy - różne wyniki {(x i, y i )}; y = m 1 x + m 2 = y i (m 1 x i + m 2 ) = min debski@igf.edu.pl: W3-13 IGF PAN, 11.12.2014

Dwie klasy algorytmów optymalizacyjnych heurystyczne stochastyczne debski@igf.edu.pl: W3-14 IGF PAN, 11.12.2014

Algorytm optymalizacji - grid search Rmin = Rmax for m_1 = a_{min} : a_{max} for m_2 = b_{min} : b_{max} R = dˆ{obs}\; - \;\dˆ{th}(\m) R = R + \lambda \m - \ma if(r<rmin) Rmin = R m_1ˆ{est}\; = \;m_1 m_2ˆ{est}\; = \;m_2 endif end end debski@igf.edu.pl: W3-15 IGF PAN, 11.12.2014

Algorytm optymalizacji - preconditioned stepest descent 1. m 0 - dowolny, 2. G n : G(m) G n (m m n ) 3. Ŝ 0 (I + C M G T o C 1 D G o) 1 4. γ n = C M G T o C 1 D (G om n d obs ) + (m n m apr ) 5. φ n = Ŝ0γ n 6. b n = Gφ n 7. µ n = γ t n C 1 M φ n φ t n C 1 M φ n+b t n C Db n 8. m n+1 = m n µ n φ n debski@igf.edu.pl: W3-16 IGF PAN, 11.12.2014

Elementy wspo łczesnej teorii inwersji Algorytmy gradientowe debski@igf.edu.pl: W3-17 IGF PAN, 11.12.2014

Elementy wspo łczesnej teorii inwersji Problem: funkcje wielomodalne debski@igf.edu.pl: W3-18 IGF PAN, 11.12.2014

Zagadnienia odwrotne: podejście klasyczne łatwe do zrozumienia stosunkowo łatwe w zastosowaniu do zagadnień estymacji parametrów brak oszacowania dokładności rozwiazań Rozwiazania problemów odwrotnych sa czesto niejednoznaczne debski@igf.edu.pl: W3-19 IGF PAN, 11.12.2014

Elementy wspo łczesnej teorii inwersji Koniec Create: JO-10-12-2014 IGF PAN, 11.12.2014