Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Szondázás alapú diagnosztika 2. Autonóm és hibatűrő információs.

Hasonló előadás


Az előadások a következő témára: "Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Szondázás alapú diagnosztika 2. Autonóm és hibatűrő információs."— Előadás másolata:

1 Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Szondázás alapú diagnosztika 2. Autonóm és hibatűrő információs rendszerek Kocsis Imre

2 Motiváció  Rish et al.: Adaptive Diagnosis in Distributed Systems  Szonda által o A rendszer állapotáról felfedett o Többletinformáció o Részleges szondahalmazhoz képest  Mérőszám?!?  A kérdés értelmes előválasztott o Szondák (valvált.-vektor; preplanned probing) o és szondakimenetek (értékek; active probing) esetén is.

3 Alapvető fogalmak  Valószínűségi változók o Rendszerállapot o Szondák (kimenete)  Entrópia

4 Entrópia

5

6  „Cinkelt érme”  Empirikus eloszlásból közelítünk library('infotheo') library('ggplot2') coinentropy <- function(x){ natstobits(entropy(c(rep(0, x*10000),rep(1, (1-x)*10000)), method=‚emp’)) } coin0prob <- seq(from=0, to=1, by=0.01) coinentropyvals <- sapply(coin0prob, coinentropy) qplot(coin0prob, coinentropyvals)

7 Entrópia

8  A „bizonytalanság” fogalmat ragadja meg o Egyik olvasata: „kimenetek meglepőségének várhatóértéke”  Logaritmus: független bizonytalanságok „additívak”

9 Entrópia

10 Feltételes entrópia

11 Kölcsönös információ

12 Véletlen minták kölcsönös információja rn1 <- unlist(discretize(rnorm(100))) rn2 <- unlist(discretize(rnorm(100))) myrn <- data.frame(rn1=rn1, rn2=rn2) plot(myrn)

13 Véletlen minták kölcsönös információja

14 Kölcsönös információ: ‚iris’

15 Kölcs. inf: 1.41 bit Kölcs. inf: 1.41 bit

16 Kölcsönös információ: ‚iris’ Kölcs. inf: 0.44 bit Kölcs. inf: 0.44 bit

17 Kapcsolatok

18 Szondakiválasztás

19

20 Egyszerűsített alak  Max. egy hiba  Minden állapot azonos valószínűséggel o (???)  Figyeljük meg: az (Y,T) „események” partícionálják X-et o Egy kimenettel inkompatibilis állapotok „kinullázódnak” a közös valószínűségben  A szumma „átsorrendezhető”

21 Egyszerűsített alak

22 Aktív szondázás Ha nincs hiba? Hatékony implementáció: Bayes hálók

23 Optimális hatásos szondahossz (illusztráció)


Letölteni ppt "Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Szondázás alapú diagnosztika 2. Autonóm és hibatűrő információs."

Hasonló előadás


Google Hirdetések