Η ευαισθησία των συστημάτων είναι ένα σημαντικό θέμα της Θεωρίας Συστημάτων, το οποίο καλύπτεται σε εισαγωγικό επίπεδο με αυτή την εργασία. Η ευαισθησία αφορά τις διαφορές ανάμεσα στο πραγματικό σύστημα και στο μαθηματικό μοντέλο: αν κάποιες παράμετροι διαφέρουν αρκετά ανάμεσα στο πραγματικό σύστημα και στο μαθηματικό μοντέλο και η συμπεριφορά του συστήματος εξαρτάται κατά μεγάλο βαθμό από αυτές τις παραμέτρους, τότε η χρησιμότητα του μαθηματικού μοντέλου θα είναι πολύ μικρή αν δεν γνωρίζουμε ταυτόχρονα την παραμετρική ευαισθησία του συστήματος, δηλαδή την επίδραση των μεταβολών των παραμέτρων πάνω στην δυναμική συμπεριφορά του συστήματος. Βασικό ρόλο παίζει η προσομοίωση των εξισώσεων ευαισθησίας κατάστασης. Καθορίζουμε αρχικά τις εξισώσεις ευαισθησίας κατάστασης για παραμέτρους τύπου α και δείχνουμε ότι οι συναρτήσεις ευαισθησίας κατάστασης ενός συνεχούς συστήματος με χρονικά αμετάβλητες παραμέτρους καθορίζονται πάντα από ένα γραμμικό σύστημα διαφορικών εξισώσεων με μηδενικές αρχικές συνθήκες. Στην συνέχεια θα επεκταθούμε και στην εύρεση των συναρτήσεων ευαισθησίας κατάστασης για την περίπτωση που έχουμε παραμέτρους τύπου β και θα δούμε ότι και εδώ οι εξισώσεις ευαισθησίας κατάστασης είναι πάντα γραμμικές και οι αρχικές συνθήκες είναι ή μηδέν ή μονάδα. Στη συνέχεια προχωράμε στην εύρεση των συναρτήσεων ευαισθησίας κατάστασης για την περίπτωση που έχουμε παραμέτρους τύπου λ, αφού δούμε πρώτα το πότε μπορούμε να χρησιμοποιήσουμε το μειωμένο ονομαστικό μοντέλο. Επί πλέον, εξετάζουμε εν συντομία και τον καθορισμό των εξισώσεων ευαισθησίας εξόδου. Για την περίπτωση που έχουμε να μελετήσουμε και να συγκρίνουμε την παραμετρική ευαισθησία συστημάτων ανοικτού και κλειστού βρόχου καθώς επίσης και στην σύνθεση συστημάτων "αναίσθητων" σε παραμετρικές μεταβολές, είναι αναγκαίο να έχουμε έναν ορισμό ευαισθησίας που να είναι ανεξάρτητος από την μορφή του σήματος εισόδου, αλλά να εξαρτάται μόνο από την δομή του συστήματος. Αυτή η απαίτηση ικανοποιείται με τους ορισμούς ευαισθησίας στο πεδίο συχνότητας, οι οποίοι βασίζονται στην συνάρτηση μεταφοράς ή στον πίνακα μεταφοράς του συστήματος. Εξετάζουμε τη συνάρτηση ευαισθησίας του Bode, τη συνάρτηση ευαισθησίας του Horowitz και τη συγκριτική συνάρτηση ευαισθησίας των Perkins και Cruz. Η τελευταία μπορεί να γενικευθεί και σε μη γραμμικά, χρονικά μεταβαλλόμενα συστήματα. / The sensitivity of systems is an important theme of Systems Theory, which is covered to an introductory level in this work. The sensitivity concerns differences between the real system and the mathematical model: if some parameters are quite different between the real system and the mathematical model and the behavior of the system depends strongly on these parameters, the utility of the mathematical model will be very little if we do not know both the parametric sensitivity of the system, i.e. the effect of changes in parameters on the dynamic behavior of the system. A key role is played by simulating the state sensitivity equations. First we determine the state of sensitivity equations for parameters of type a and show that the state of sensitivity functions of a continuous system with time invariant parameters are always determined by a linear system of differential equations with zero initial conditions. Then we expand and find the state sensitivity functions for the case where we have parameters of type b and we see that here the situation sensitivity equations are always linear and the initial conditions are zero. Then we move on finding state sensitivity functions for the type lambda parameters, after we look when the reduced nominal model can use. Moreover, we look briefly at the output sensitivity equations. In case we have to study and compare the parametric sensitivity of open and closed-loop systems as well as in the synthesis systems "unconscious" to parametric changes, it is necessary to have a definition of sensitivity that is independent of the input signal format, but can depend only on the structure of the system. This requirement is satisfied by the definitions of sensitivity in the frequency domain, which are based on the transfer function or the system operator panel. We examine the sensitivity function of Bode, the sensitivity function of Horowitz and the comparative context sensitivity of Perkins and Cruz. The latter can be generalized to nonlinear, time-varying systems.

因有數學式子，所以無法編輯。 / 因有數學式子，所以無法編輯。

Nachrichtentechnische Systeme werden stets durch unvermeidbare zufällige Störungen beeinflußt. Neben anderen Komponenten sind davon besonders Oszillatoren betroffen. Die durch die Störungen verursachten zufälligen Schwankungen in der Oszillatorausgabe können als Amplituden- und Phasenabweichungen modelliert werden. Dabei zeigt sich, daß vor allem zufällige Phasenfluktuationen von Bedeutung sind. Zufällige Phasenfluktuationen können unter Verwendung stochastischer Prozesse zweiter Ordnung mit kurzem oder langem Gedächtnis modelliert werden. Inhalt der Dissertation ist die Herleitung eines Verfahrens zur Simulation zufälliger Phasenfluktuationen von Oszillatoren mit kurzem Gedächtnis unter Berücksichtigung von Datenblattangaben.

Automated analysis of temporal data is a task of utmost importance for intelligent machines. For example, ubiquitous computing systems need to understand the intention of humans from the stream of sensory information, and health-care monitoring systems can assist patients and doctors by providing automatically annotated daily health reports. We present a set of extensions of switching linear dynamic systems (SLDSs) which provide the ability to capture the higher-order temporal structures within data and to produce more accurate results for the tasks such as labeling and estimation of global variations within data. The presented models are formulated within a dynamic Bayesian network formulation along with the inference and learning methods thereof. First, segmental SLDSs (S-SLDSs) produce superior labeling results by capturing the descriptive duration patterns within each LDS segment. The encoded duration models describe data more descriptively and allow us to avoid the severe problem of over-segmented labels, which leads to superior accuracy. Second, parametric SLDSs (P-SLDSs) allows us to encode the temporal data with global variations. In particular, we have identified two types of global systematic variations : temporal and spatial variations. The P-SLDS model assumes that there is an underlying canonical model which is globally transformed in time and space by the two associated global parameters respectively. Third, we present hierarchical SLDSs (H-SLDSs), a generalization of standard SLDSs with hierarchic Markov chains. H-SLDSs are able to encode temporal data which exhibits hierarchic structure where the underlying low-level temporal patterns repeatedly appear among different higher-level contexts. The developed SLDS extensions have been applied to two real-world problems. The first problem is to automatically decode the dance messages of honey bee dances where the goal is to correctly segment the dance sequences into different regimes and parse the messages about the location of food sources embedded in the data. The second problem is to analyze wearable exercise data where we aim to provide an automatically generated exercise record at multiple temporal and semantic resolutions. It is demonstrated that the H-SLDS model with multiple layers can be learned from data, and can be successfully applied to interpret the exercise data at multiple granularities.

No description available.

Nachrichtentechnische Systeme werden stets durch unvermeidbare zufällige Störungen beeinflußt. Neben anderen Komponenten sind davon besonders Oszillatoren betroffen. Die durch die Störungen verursachten zufälligen Schwankungen in der Oszillatorausgabe können als Amplituden- und Phasenabweichungen modelliert werden. Dabei zeigt sich, daß vor allem zufällige Phasenfluktuationen von Bedeutung sind. Zufällige Phasenfluktuationen können unter Verwendung stochastischer Prozesse zweiter Ordnung mit kurzem oder langem Gedächtnis modelliert werden. Inhalt der Dissertation ist die Herleitung eines Verfahrens zur Simulation zufälliger Phasenfluktuationen von Oszillatoren mit kurzem Gedächtnis unter Berücksichtigung von Datenblattangaben.