haku: @keyword MCMC / yhteensä: 6
hakutulos-lista
viite: 5 / 6
« edellinen | seuraava »
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
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen 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

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
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
« edellinen | seuraava »
INSSI