Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "Sequential Monte Carlo" wg kryterium: Temat


Wyświetlanie 1-5 z 5
Tytuł:
A numerical simulation method for a repairable dynamic fault tree
Autorzy:
Xu, Zhixin
Guo, Dingqing
Wang, Jinkai
Li, Xueli
Ge, Daochuan
Powiązania:
https://bibliotekanauki.pl/articles/1841835.pdf
Data publikacji:
2021
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
repairable dynamic fault tree
numerical simulation
Monte Carlo
sequential failure region
minimal cut sequence set
Opis:
Dynamic fault trees are important tools for modeling systems with sequence failure behaviors. The Markov chain state space method is the only analytical approach for a repairable dynamic fault tree (DFT). However, this method suffers from state space explosion, and is not suitable for analyzing a large scale repairable DFT. Furthermore, the Markov chain state space method requires the components’ time-to-failure to follow exponential distributions, which limits its application. In this study, motivated to efficiently analyze a repairable DFT, a Monte Carlo simulation method based on the coupling of minimal cut sequence set (MCSS) and its sequential failure region (SFR) is proposed. To validate the proposed method, a numerical case was studied. The results demonstrated that our proposed approach was more efficient than other methods and applicable for repairable DFTs with arbitrary time-to-failure distributed components. In contrast to the Markov chain state space method, the proposed method is straightforward, simple and efficient.
Źródło:
Eksploatacja i Niezawodność; 2021, 23, 1; 34-41
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Comparison of few particle filter varieties
Autorzy:
Kozierski, P.
Lis, M.
Powiązania:
https://bibliotekanauki.pl/articles/97658.pdf
Data publikacji:
2013
Wydawca:
Politechnika Poznańska. Wydawnictwo Politechniki Poznańskiej
Tematy:
particle filter
Auxiliary
Bootstrap
Rao-Blackwellised
Sequential Monte Carlo
Opis:
Particle filters are very popular - number of algorithms based on Sequential Monte Carlo methods is growing. Paper describes and compares the performance of four of them: Auxiliary Particle Filter - this approach should reduce the high sensitivity to outliers values and poor posterior approximation, Rao-Blackwellised Particle Filter - this approach is recommended for objects with linear and nonlinear state variables, Bootstrap Filter - the first proposed Particle Filter which still can be used, because is very simple to implement, and some variety of SIR algorithm - this algorithm was chosen to show, that importance density also can be constant. The obtained results show that Bootstrap Filter and Rao-Blackwellised approaches give good results, but Bootstrap Filter works 10 times faster. The worst results gives SIR algorithm with unconditional importance function.
Źródło:
Computer Applications in Electrical Engineering; 2013, 11; 345-355
1508-4248
Pojawia się w:
Computer Applications in Electrical Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Localizing of the atmospheric contamination source based on the Kori field tracer experiment data
Autorzy:
Kopka, P.
Wawrzynczak, A.
Borysiewicz, M.
Powiązania:
https://bibliotekanauki.pl/articles/406603.pdf
Data publikacji:
2015
Wydawca:
Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
Tematy:
sequential Monte Carlo methods
accidental releases into the atmosphere
emergency reaction system
Opis:
Accidental releases of hazardous material into the atmosphere pose high risks to human health and the environment. Thus it would be valuable to develop an emergency reaction system which can recognize the probable location of the source based only on concentrations of the released substance as reported by a network of sensors. We apply a methodology combining Bayesian inference with Sequential Monte Carlo (SMC) methods to the problem of locating the source of an atmospheric contaminant. The input data for this algorithm are the concentrations of a given substance gathered continuously in time. We employ this algorithm to locating a contamination source using data from a field tracer experiment covering the Kori nuclear site and conducted in May 2001. We use the second-order Closure Integrated PUFF Model (SCIPUFF) of atmospheric dispersion as the forward model to predict concentrations at the sensors’ locations. We demonstrate that the source of continuous contamination may be successfully located even in the very complicated, hilly terrain surrounding the Kori nuclear site.
Źródło:
Operations Research and Decisions; 2015, 25, 2; 35-50
2081-8858
2391-6060
Pojawia się w:
Operations Research and Decisions
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Sekwencyjna metoda Monte Carlo i jej zastosowanie do modelowania zmienności inflacji w Polsce
Sequential Monte Carlo method and its application for modelling inflation volatility in Poland
Autorzy:
Brzozowska-Rup, Katarzyna
Powiązania:
https://bibliotekanauki.pl/articles/2041251.pdf
Data publikacji:
2020
Wydawca:
Uniwersytet Ekonomiczny w Katowicach
Tematy:
algorytm EM
Inflacja
metoda SMC
model CIR
Modele zmienności stochastycznej
CIR model
Expectation-Maximization (EM) algorithm
Inflation
Sequential Monte Carlo method
Stochastic volatility models
Opis:
The aim of the article is to present a selected model of stochastic volatility to describe inflation volatility in Poland, with particular emphasis on the possibility of using the estimation technique based on the Sequential Monte Carlo method. A model of stochastic volatility is presented, in which conditional variance is treated as an unobserved variable described by the one-factor Cox, Ingersoll and Ross model (CIR, 1985). The advantages and effectiveness of the proposed method are presented on the basis of monthly inflation rates in Poland from 2004 to 2017.
Celem artykułu jest zaprezentowanie wybranego modelu stochastycznej zmienności do opisu zmienności inflacji w Polsce, ze szczególnym uwzględnieniem możliwości zastosowania techniki estymacji wykorzystującej sekwencyjną metodę Monte Carlo (ang. Sequential Monte Carlo method, SMC). Przedstawiono model zmienności stochastycznej, w którym wariancja warunkowa jest traktowana jako zmienna nieobserwowana opisywana za pomocą jednoczynnikowego modelu Coxa, Ingersola i Rossa (CIR) [Cox, Ingersoll, Ross, 1985]. Zalety oraz efektywność proponowanej metody zaprezento-wano na podstawie miesięcznych danych historycznych poziomu inflacji w Polsce w latach 2004-2017.
Źródło:
Studia Ekonomiczne; 2020, 395; 21-36
2083-8611
Pojawia się w:
Studia Ekonomiczne
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
The field of sequential Monte Carlo methods
Autorzy:
Brzozowska–Rup, Katarzyna
Dawodowicz, Antoni Leon
Powiązania:
https://bibliotekanauki.pl/articles/748652.pdf
Data publikacji:
2009
Wydawca:
Polskie Towarzystwo Matematyczne
Tematy:
model przestrzeni stanów, ukryte procesy Markowa, filtracja optymalna, sekwencyjne metody Monte Carlo, sekwencyjna funkcja ważności, „re-próbkowanie”
state-space models, hiddenMarkov model, optimal filtering, sequential Monte Carlo, sequential importance sampling, resampling.
Opis:
Celem pracy jest zaprezentowanie idei metod filtracji opartych na sekwencyjnej metodzie Monte Carlo, w literaturze nazywanych również metodami filtru cząsteczkowego oraz odniesienia do odpowiedniej literatury. Istotę omawianych algorytmów przedstawiamy rozważając problem estymacji silnie nieliniowych i niegaussowskich modeli przestrzeni stanów. W praktyce bowiem w takich przypadkach dobrze znany i najczęściej wykorzystywany algorytm rozszerzonego filtru Kalmana (ang. Extended Kalman Filter, EKF) może wykazywać istotną nieefektywność. Idea filtru cząsteczkowego polega na estymacji rozkładu prawdopodobieństwa rozkładem empirycznym wyznaczonym na podstawie cząsteczek, tzw. „chmury punktów”. Zaimplementowanie algorytmu filtru cząsteczkowego wymaga zasadniczo przeprowadzenia trzech procedur: (1) losowania cząsteczek z odpowiednio dobranej sekwencyjnej funkcji ważności, (2) określenia istotności cząsteczek, (3) powtórnego losowania, tzw. resampling. Metody te są coraz bardziej popularnew dziedzinie ekonomii, statystyki, medycynie i teorii sygnałów.
This paper provides an introduction to the field of sequential Monte Carlo methods which are also known as particle filters methods. The best known algorithm to solve the problem of non-linear non-Gaussian filtering is the Extended Kalman Filter (EKF) but in settings where the dynamics are significantly non-linear or the noise intensities are high, the EKF can perform quite poorly. Particle filtering methods are powerful tools for online estimation and tracking in nonlinear and non-Gaussian dynamical systems. The basic idea is to approximate the transition probability density function by a discrete cloud of points, called particles. They commonly consistof three steps:(1) drawing samples in the state-space of the system,(2) computing proper importance weights of each sample and(3) resampling.These methods are becoming increasingly popular in economics and finance so the objective of this paper is to explain the basic assumptions of the methodology and provide references to relevant literature.
Źródło:
Mathematica Applicanda; 2009, 37, 51/10
1730-2668
2299-4009
Pojawia się w:
Mathematica Applicanda
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-5 z 5

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies