Obecna+aktywność

Książki: Jan J. Mulawka - "Systemy Ekspertowe" Krzysztof Krawiec, Jerzy Stefanowski - "Uczenie Maszynowe i Sieci Neuronowe" Andrzej Cichocki, Shun-ichi Amari - "Adaptive Blind Signal and Image Processing"

Publikacje: Wybrane publikacje IPI PAN Change Management with Dynamic Object Roles and Overloading Views Tier Aspect Model Based on Updatable Views

Inne publikacje Application of Neural Networks for the Prediction of the Energy Consumption in a Supermarket Consumption-Prediction and Cost-Optimization system (TPKO) Electrical energy prediction study case based on neural networks Quick Estimation of Resources of FPGAs and ASICs Using Neural Networks An Analysis and Diagnosis Method for the Energy Consumption in Existing Residential Buildings on Municipal Level Frost Prediction on Evaporator Coils of Supermarket Display Cabines Using Artificial Neural Networks Simulation Analysis of Energy Requirements in HVAC Systems in Commercial and Community Buildings Evaluation of Building Energy Consumption Based on Fuzzy Logic and Neural Networks Applications Data Managment in Energy Simulations Calculation Method of Energy Consumption for Intermittent Dpace Heating Calculating Energy Rating of Domestic Refrigerators Through Laboratory Heat Transfer Measurements and Computer Simulations

Inne: Zaznajamiam się z dziwnym programem zwanym Matlab i programami ICALAB Przygotowałem wniosek do elektrowni, potrzebna jest akceptacja Pana prof. Ducha i jego podpis i zostanie on wysłany. Text-Garden - [|link]

Zadania: - znaleźć dane giełdowe - program do prognozowania na tych danych - spróbować połączyć te dany z metodami ICA - toolbox dla ICA do predykcji

Plany na 06.12.2007 Rozejrzeć się jakie są metody i programy do analizy, zastosować je do danych zebranych. Programy: Istnieje wiele programów realizujących zadania związane z szeregami czasowymi. Jednakże większość z nich jest rozpowszechniana odpłatnie, np: Time Series Modelling, Estima, w której skład wchodzi RATS (Regression Analysis of Time Series). Znalazłem dwa programy darmowe: Autobox oraz Gretl (zostały w nim zaimplementowane metody ekonometryczne i nie mogę jak na razie znaleźć dla niego żadnych zastosowań). Znalazłem także biblioteki do matlaba: Matlab Software for Nonlinear Time-Series Analysis, jednakże nie ma ona żadnego API i trudno powiedzieć co można z tym zrobić. Duże wrażenie zrobił na mnie program SPSS, na którym pracowaliśmy chyba 2 lata temu w związku z przedmiotem Statystyka Matematyczna. Obecnie używamy go u dr Zaihraieva na "Analizie Szeregów Czasowych" i ma wbudowane metody analizy szeregów czasowych jak na przykład ARIMA. Poza tym znalazłem także program CaterpillarSSA i jego podprogramy CatMV i CatSSA, ale są to także programy odpłatne (obecnie mam demo, które jest bardzo okrojone i po 30 dniach wygaśnie). Podsumowując w tej chwili myślę, że warto jest skupić się na pakiecie SPSS i Matlabie.

2007-12-19 Dość przypadkowo wpadła w moje ręce biblioteka OpenForecasting dla Javy. Chciałbym "rozebrać ją na części pierwsze" i opisać dokładnie co można z nią robić. Jeśli spełni moje oczekiwania to chciałbym ją rozbudować na początek o metody ARIMA i nadać jej jakiś kształt (jakieś GUI). Niestety nie ma ona możliwości rysowania wykresów, ale na to też znalazłem rozwiązanie. Biblioteka JFreeChart bardzo dobrze się komponuje z OF i można obie biblioteki ze sobą połączyć.

2007-12-20 ICALAB - obejrzeć metody jakie tam są wykorzystywane, wybrać kilka, przerobić do C#...

neuromarketing - dane? EMG system do analizy składowych - globalne przetwarzanie sygnałów Algorytmy ICA

Postępy w pisaniu pracy: 19.03.2008 - pierwszy rozdział - ICA. Jest jeszcze sporo błędów do poprawienia. Przygotowany został finalny layout dla dokumentu w latexu.

3 kwietnia 2008: 1) W MSc rozszerzyć rozdział opisujący algorytm FastICA. 2) BCI Competition 3) Poprawiony program wykorzystujący algorytm FastICA. Dopiszę tylko jakiegoś helpa albo coś w tym rodzaju.
 * Doświadczenia na "małym" zbiorze danych "data set IV"
 * Napisać kilka słów o samym BCI
 * BCI links:
 * [|wikipedia]
 * [|Lebedev]
 * [|BCI Competition]
 * [|BCI news and research portal]

24 kwietnia 2008

EEGLabem Analiza przestrzenno-czasowa, próba zaetykietowania

Matlab Help

30 maj 2008

Najbliższe zadanie: Szukamy

math F_{\Delta t}^i math takie, że math X -> Y = ICA(X) -> Z_{\Delta t} = \sum W_{\Delta t} F_{\Delta t} math F -> fouriery t/f math F_{\Delta t}^i = [f_{\Delta t}^i (f), f = 1,...,n] math math \Delta t = 1,...,k math gdzie każdy cykl ma 200ms. Długość eksperymentu wynosi 3,5 s = 3500ms => k = 18 (ostatni cykl będzie krótszy i będzie wynosił 100ms).

math W_{\Delta t} math zostanie odnalezione później

<< [] >> Tradycyjna analiza widmowa Fouriera jako superpozycja funkcji sinus i cosinus jest niemal wszechobecna w dziedzinie identyfikacji i analizy sygnałów pomiarowych. Użyteczność transformaty Fouriera zawiera się w jej zdolności do analizy przebiegu czasowego sygnału pod kątem jego „zawartości częstotliwościowej”. Należy podkreślić, że tradycyjna analiza częstotliwościowa nie nadaje się do obserwacji właściwości sygnałów niestacjonarnych. Wymagana jest tutaj analiza wykorzystująca łączne czasowo-częstotliwościowe (t/f) reprezentacje sygnałów (JFTA - Joint Time-Frequency Analysis). Tego rodzaju analizę zapewnia krótkoczasowa transformata Fouriera, czy też transformata Gabora.

Rodzajem analizy czasowo-częstotliwościowej jest również transformacja falkowa. Najbardziej charakterystyczne dla transformaty falkowej jest to, że indywidualne funkcje falkowe są dobrze zlokalizowane w czasie (lub przestrzeni – dla obrazów) i jednocześnie dobrze opisują sygnał w dziedzinie częstotliwości, ściśle biorąc tzw. skali. Ponadto w odróżnieniu od funkcji sinus i cosinus, które definiują unikalną transformatę Fouriera, nie ma pojedynczego, unikalnego zbioru falkowych funkcji bazowych. Falki różnią się między sobą zwartością lokalizacji czasowej oraz płynnością i gładkością kształtów. Wynikająca stąd zdolność falek do opisu sygnałów „z nieciągłościami”, przy ograniczonej liczbie współczynników oraz z lokalizacją w czasie, stanowi o jej przewadze nad transformatą Fouriera.

Krótkoczasowa transformata Fouriera (STFT – Short-Time Fourier Transform) stanowi wzorcowy przykład algorytmu analizy czasowo-częstotliwościowej. Umożliwia ona wydobycie z sygnału informacji o tym, jak zmienia się jego widmo w czasie, czyli jednoczesną obserwację jego właściwości zarówno w dziedzinie czasu jak i częstotliwości. Wycinek sygnału (blok próbek o rozmiarze L) przeznaczony do analizy jest sukcesywnie dzielony na segmenty, z których każdy podlega analizie widmowej niezależnie. Podobnie jak w przypadku tradycyjnym, aby usunąć gwałtowne zmiany (cięcia) sygnału na krańcach przedziałów, stosuje się różne okna czasowe w odniesieniu do wspomnianych segmentów. Przesuwając okno w czasie, wzdłuż sygnału, wyznacza się jego zawartość widmową wewnątrz przedziału czasowego, którego długość jest określona szerokością okna.

Krótkoczasową transformatę Fouriera sygnału x(t), w odniesieniu do okna \varphi(t)\, rozmieszczonego w pozycji (\tau, \xi)\, na płaszczyźnie t/f zdefiniować można jako (1). W odróżnieniu od tradycyjnej transformaty Fouriera, dla której do wyznaczenia pojedynczej składowej konieczna jest znajomość funkcji x(t)\, na całej osi czasu, w tym przypadku, wymagana jest znajomość x(t)\, tylko w przedziale określonym przez położenie \varphi (t-\tau)\,.

Dyskretna wersja powyższego równania przyjmuje postać: math X(\tau_n, \xi_k) = T_p \sum_{i=0}^{N-1} x(t_i) \varphi(\ti - \tau_n) e^{-j\xi_k t_i} math gdzie T_p\, oznacza okres próbkowania sygnału. Dla przypadku unormowanego, gdy T_p=1\, otrzymujemy zależność: math X_{n,k} = \sum_{i=0}^{N-1} x(i) \varphi(i-n) e^{-j2\pi ki/N} math

Kształt okna czasowego \varphi(t)\, rozmieszczonego w pozycji (\tau, \xi)\, na płaszczyźnie t/f odgrywa kluczową rolę w przypadku STFT. Iloczyn szerokości okna w dziedzinie czasu \Delta_t\, i szerokości okna w dziedzinie częstotliwości \Delta_{\omega}\, jest wielkością stałą dla danego okna. Stąd też, poprawiając rozdzielczość w dziedzinie czasu, będziemy ją pogarszać w dziedzinie częstotliwości i odwrotnie. Zatem szerokość okna wybierana jest na drodze kompromisu. Interpretacja położenia okna czasowo-częstotliwościowego na płaszczyźnie t/f przedstawiona jest na rysunku:

Na rysunku 2 pokazany jest przykład zastosowania rozkładu STFT do sygnału o postaci: math x(t) = \sin 2\pi f_1 t + \sin 2 \pi f_2 t + \alpha [ \delta (t - t_1) + \delta (t - t_2)] math dla różnych szerokości (promieni) \Delta_t\, okna czasowego \varphi(t)\,. W przypadku zastosowania szerokiego okna czasowego, otrzymuje się bardzo dużą rozdzielczość częstotliwościową i bardzo małą rozdzielczość czasową. W miarę zwężania okna czasowego poprawia się rozdzielczość czasowa kosztem częstotliwościowej.

<<>>