Global ETD Search

1	Maximum Likelihood Analysis for Bivariate Exponential Distributions / Maximale Wahrscheinlichkeits Analyse für bivariate Exponentialverteilung Okyere, Ebenezer 31 July 2007 (has links) No description available. 510 Mathematik Mathematics and Computer Science Marshall-Olkin Bivariate Exponentiale Asymptotische Normalitäten Marshall-Olkin Bivariate exponential Asymptotic normalities 31.73 Mathematische Statistik E Mathematik
2	Time Series Analysis informed by Dynamical Systems Theory Schumacher, Johannes 11 June 2015 (has links) This thesis investigates time series analysis tools for prediction, as well as detection and characterization of dependencies, informed by dynamical systems theory. Emphasis is placed on the role of delays with respect to information processing in dynamical systems, as well as with respect to their effect in causal interactions between systems. The three main features that characterize this work are, first, the assumption that time series are measurements of complex deterministic systems. As a result, functional mappings for statistical models in all methods are justified by concepts from dynamical systems theory. To bridge the gap between dynamical systems theory and data, differential topology is employed in the analysis. Second, the Bayesian paradigm of statistical inference is used to formalize uncertainty by means of a consistent theoretical apparatus with axiomatic foundation. Third, the statistical models are strongly informed by modern nonlinear concepts from machine learning and nonparametric modeling approaches, such as Gaussian process theory. Consequently, unbiased approximations of the functional mappings implied by the prior system level analysis can be achieved. Applications are considered foremost with respect to computational neuroscience but extend to generic time series measurements. Statistics Time Series Analysis Dynamical Systems Machine Learning Neuroscience 31.73 - Mathematische Statistik 31.80 - Angewandte Mathematik 30.20 - Nichtlineare Dynamik 42.99 - Biologie: Sonstiges K70 - Statistical inference 62-07 - Data analysis ddc:510 ddc:500
3	A System Architecture for the Monitoring of Continuous Phenomena by Sensor Data Streams Lorkowski, Peter 15 March 2019 (has links) The monitoring of continuous phenomena like temperature, air pollution, precipitation, soil moisture etc. is of growing importance. Decreasing costs for sensors and associated infrastructure increase the availability of observational data. These data can only rarely be used directly for analysis, but need to be interpolated to cover a region in space and/or time without gaps. So the objective of monitoring in a broader sense is to provide data about the observed phenomenon in such an enhanced form. Notwithstanding the improvements in information and communication technology, monitoring always has to function under limited resources, namely: number of sensors, number of observations, computational capacity, time, data bandwidth, and storage space. To best exploit those limited resources, a monitoring system needs to strive for efficiency concerning sampling, hardware, algorithms, parameters, and storage formats. In that regard, this work proposes and evaluates solutions for several problems associated with the monitoring of continuous phenomena. Synthetic random fields can serve as reference models on which monitoring can be simulated and exactly evaluated. For this purpose, a generator is introduced that can create such fields with arbitrary dynamism and resolution. For efficient sampling, an estimator for the minimum density of observations is derived from the extension and dynamism of the observed field. In order to adapt the interpolation to the given observations, a generic algorithm for the fitting of kriging parameters is set out. A sequential model merging algorithm based on the kriging variance is introduced to mitigate big workloads and also to support subsequent and seamless updates of real-time models by new observations. For efficient storage utilization, a compression method is suggested. It is designed for the specific structure of field observations and supports progressive decompression. The unlimited diversity of possible configurations of the features above calls for an integrated approach for systematic variation and evaluation. A generic tool for organizing and manipulating configurational elements in arbitrary complex hierarchical structures is proposed. Beside the root mean square error (RMSE) as crucial quality indicator, also the computational workload is quantified in a manner that allows an analytical estimation of execution time for different parallel environments. In summary, a powerful framework for the monitoring of continuous phenomena is outlined. With its tools for systematic variation and evaluation it supports continuous efficiency improvement. environmental monitoring spatio-temporal interpolation sensor data stream kriging variance computational effciency Umweltmonitoring Spatio-temporale Interpolation Sensordatenströme Kriging-Varianz Berechnungseffzienz 31.73 - Mathematische Statistik 38.99 - Geowissenschaften: Sonstiges K70 - Statistical inference I.6.6 - Simulation Output Analysis G.3 - PROBABILITY AND STATISTICS ddc:550 ddc:004
4	Eine deutschlandweite Potenzialanalyse für die Onshore-Windenergie mittels GIS einschließlich der Bewertung von Siedlungsdistanzenänderungen Masurowski, Frank 11 July 2016 (has links) Die Windenergie an Land (Onshore-Windenergie) ist neben der Photovoltaik eine der tragenden Säulen der Energiewende in Deutschland. Wie schon in der Vergangenheit wird auch zukünftig der Ausbau der Onshore-Windenergie, mit dem Ziel eine umweltgerechte und sichere Energieversorgung für zukünftige Generationen aufzubauen, durch die Politik massiv vorangetrieben. Für eine planvolle Umsetzung der Energiewende, insbesondere im Bereich der Windenergie, müssen Kenntnisse über den zur Verfügung stehenden Raum und der Wirkungsweise standortspezifischer Faktoren auf planungsrechtlicher Ebene vorhanden sein. In der vorliegenden Arbeit wurde die Region Deutschland auf das für dieWindenergie an Land nutzbare Flächenpotenzial analysiert, von diesem allgemein gültige Energiepotenziale abgeleitet und in einer Sensitivitätsanalyse die Einflüsse verschiedener Abstände zwischen den Windenergieanlagen und Siedlungsstrukturen auf das ermittelte Energiepotenzial untersucht. Des Weiteren wurden für die beobachteten Zusammenhänge zwischen den Distanz- und Energiepotenzialänderungen mathematische Formeln erstellt, mit deren Hilfe eine Energiepotenzialänderung in Abhängigkeit von spezifischen Siedlungsdistanzänderungen vorhersagbar sind. Die Analyse des Untersuchungsgebiets (USG) hinsichtlich des zur Verfügung stehenden Flächenpotenzials wurde anhand eines theoretischen Modells, welches die reale Landschaft mit ihren unterschiedlichen Landschaftstypen und Infrastrukturen widerspiegelt, umgesetzt. Auf Basis dieses Modells wurden so genannte „Basisflächen“ sowie für die Onshore-Windenergie nicht nutzbare Flächen (Tabu- oder Ausschlussflächen) identifiziert und mittels einer GIS-Software (Geographisches Informationssystem) verschnitten. Die Identifizierung der Ausschlussflächen erfolgte über regionalisierte beziehungsweise im gesamten USG geltende multifaktorielle Bestimmungen für die Platzierung von Windenergieanlagen (WEA). Zur Gewährleistung einer einheitlichen Konsistenz wurden die verschiedenen Regelungen, welche aus den unterschiedlichsten Quellen stammen, vereinheitlicht, vereinfacht und in einem so genannten „Regelkatalog“ festgeschrieben. Die Berechnung des im USG maximal möglichen Energiepotenzials erfolgte durch eine Referenzanlage, welche im USG räumlich verteilt platziert wurde. Die Energiepotenziale (Leistungs- und Ertragspotenzial) leiten sich dabei aus der Kombination der räumlichen Lage der WEA, den technischen Leistungsspezifikationen der Referenzanlage und dem regionalem Windangebot ab. Eine wesentliche Grundvoraussetzung für die Berechnung der Energiepotenziale lag in der im Vorfeld durchzuführenden Windenergieanlagenallokation auf den Potenzialflächen begründet. Zu diesem Zweck wurde die integrierte Systemlösung „MAXPLACE“ entwickelt. Mit dieser ist es möglich, WEA unter Berücksichtigung von anlagenspezifischen, wirtschaftlichen und sicherheitstechnischen Aspekten in einzelnen oder zusammenhängenden Untersuchungsregionen zu platzieren. Im Gegensatz zu bereits bestehenden Systemlösungen (Allokationsalgorithmen) aus anderen Windenergie-Potenzialanalysen zeichnet sich die integrierte Systemlösung „MAXPLACE“ durch eine sehr gute Effizienz, ein breites Anwendungsspektrum sowie eine einfache Handhabung aus. Der Mindestabstand zwischen den WEA und den Siedlungsstrukturen stellt den größten Restriktionsfaktor für das ermittelte Energiepotenzial dar. Zur Bestimmung der Einflussnahme von Siedlungsdistanzänderungen auf das Energiepotenzial wurde mit Hilfe des erstellten Landschaftsmodells eine Sensitivitätsanalyse durchgeführt. In dieser wurden die vorherrschenden Landschafts- und Infrastrukturen analysiert und daraus standortbeschreibende Parameter abgeleitet. Neben der konkreten Benennung der Energiepotenzialänderungen, wurden für das gesamte USG mathematische Abstraktionen der beobachteten Zusammenhänge in Form von Regressionsformeln ermittelt. Diese Formeln ermöglichen es, ohne die in dieser Arbeit beschriebene aufwendige Methodik nachzuvollziehen, mit nur wenigen Parametern die Auswirkungen einer Siedlungsdistanzänderung auf das Energiepotenzial innerhalb des Untersuchungsgebiets zu berechnen. Onshore Onshore-Windenergie GIS Geographische Informationssysteme Potenzial Potenzialanalysen Flächenpotenziale Energiepotenziale Potenzialänderung Energiepotenzialänderung Deutschland Siedlungen Siedlungsdistanz Siedlungsdistanzänderungen Abstände Allokation Allokationsalgorithmen Regression Logistische Regression Statistik Algorithmen R Standortanalysen Windenergie Energiewende ArcGIS Programmierung C# Modell rechtliche Analyse Windenergieanlage Punktmusteranalyse onshore onshore wind energy GIS geographic information systems potential potential analysis area potentials energy potentials potential change energy potential change Germany settlements settlement distance settlement distance changes distances allocation allocation algorithm regression logistic regression statistics algorithms R location analysis wind energy wind power energy transition ArcGIS programming C# model legal analysis wind turbine point pattern analysis 30.10 - Systemtheorie 31.73 - Mathematische Statistik 31.50 - Geometrie: Allgemeines 31.59 - Geometrie: Sonstiges 54.25 - Parallele Datenverarbeitung 74.20 - Deutschland 74.48 - Geoinformationssysteme 54.76 - Computersimulation ddc:500 ddc:550 ddc:000 ddc:510 ddc:910

1

Page generated in 0.1856 seconds