haku: @keyword MCMC / yhteensä: 6
viite: 5 / 6
Tekijä: | Pursiainen, Sampsa |
Työn nimi: | Numerical Methods in Statistical EIT |
Tilastollisen EIT-ongelman numeeriset menetelmät | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2003 |
Sivut: | 82 Kieli: eng |
Koulu/Laitos/Osasto: | Teknillisen fysiikan ja matematiikan osasto |
Oppiaine: | Matematiikka (Mat-1) |
Valvoja: | Somersalo, Erkki |
Ohjaaja: | |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark TF80 | Arkisto |
Avainsanat: | electrical impedance tomography (EIT) Bayesian statistics Markov chain Monte Carlo (MCMC) linear algebra impedanssitomografia (EIT) Bayesialainen statistiikka MCMC lineaarialgebra |
Tiivistelmä (fin): | Impedanssitomografia (EIT) on kuvantamismenetelmä, jolla selvitetään kaksi tai kolmiulotteisen kappaleen sähkömagneettisia ominaisuuksia perustuen kappaleen reunalla tehtäviin mittauksiin. Tässä työssä tuntematon on skalaariarvoinen johtavuusjakauma, kappaleeseen syötetään virtoja sen reunalle kiinnitettyjen elektrodien avulla ja virtojen aiheuttamat potentiaalit mitataan. Työn tarkoitus on esitellä menetelmiä, joiden voidaan melko yleisesti sanoa sopivan hyvin EIT-ongelman numeeriseen ratkaisemiseen. Lisäksi menetelmiä sovelletaan yksinkertaisen esimerkkitapauksen ratkaisemiseen. Numeerisen ratkaisemisen vaatima laskennallinen työmäärä on yleensä suuri ja riippuu sovellettujen menetelmien tehokkuudesta. Tavoitteena on löytää työmäärältään mahdollisimman halpoja menetelmiä. Työssä keskitytään käänteisongelman Bayeslaiseen ratkaisemiseen, jossa tehtävän tuntematonta mallinnetaan tiettyä todennäköisyysjakaumaa, nk. posteriorijakaumaa noudattavana satunnaismuuttujana. Posteriori jakauman ominaisuuksia estimoidaan nk. MCMC-menetelmien (Markov chain Monte Carlo) avulla. MCMC menetelmät ovat tilastollisia algoritmeja, joilla voidaan tuotettaa otoksia mielivaltaisista todennäköisyysjakaumista. Tavoitteena kehittää algoritmi, joka konvergoisi mahdollisimman nopeasti, ts. vaatisi mahdollisimman pienen otoksen tuottamista. Posteriorijakauman ominaisuuksien arvioiminen vaatii diskreetin suoran ongelman toistuvaa ratkaisemista. Toinen tärkeä tavoite onkin löytää mahdollisimman nopea lineaarialgebrallinen menetelmä suoran ongelman ratkaisemiseen. Tilastollisen menetelmän antamia estimaatteja verrataan regularisoidun pienimmän neliösumman menetelmien antamiin estimaatteihin. Simulaatioissa rajoitutaan yksinkertaiseen tapaukseen, jossa vakiojohtavuudesta etsitään anomaliaa, ts. pientä poikkeamaa. Tehokas menetelmä pienten poikkeamien löytämiseksi on tarpeellinen käytännön sovelluksissa. Esimerkkitapausta vastaava kasvain pehmeässä kudoksessa. Saatujen tulosten perusteella on selvää, että kunnollisen numeerisen ratkaisun löytäminen on usein mahdotonta, mikä johtuu ongelman erittäin häiriöalttiista ja epälineaarisesta luonteesta. Tilastollisen menetelmän antamat tulokset ovat selvästi parempia kuin pienimmän nelisumman menetelmän ratkaisut vain, jos johtavuusjakaumasta tiedetään etukäteen tarpeeksi paljon. Erityisesti tapauksessa, jossa johtavuus on luonteeltaan hyvin epäjatkuva tilastollinen menetelmä on edullinen. |
ED: | 2004-01-14 |
INSSI tietueen numero: 21093
+ lisää koriin
INSSI