13.

előadás

Kiegyenlítő számítások MSc 2019/20

1 / 54
Áttekintés

●
Függvények meghatározása
– regresszió
●
példák a mérnöki gyakorlatból
– szimbolikus regresszió

2 / 54
Függvények meghatározása

●
alkalmazási példák
– mért alakzatok geometriai jellemzőinek kiszámítása
– kiegyenlítő felületek (mérnökgeodézia)
– digitális felületmodellek felállítása
●
rendelkezünk-e információval a függvény jellegéről?
– igen: regresszió
– nem: szimbolikus regresszió
●
mely mennyiségeket tekintjük hibátlannak?
3 / 54
Regresszió

●
a feladat ismert jellegű függvény ismeretlen
paramétereinek a meghatározása
●
lineáris-e a függvény a meghatározandó
paraméterekre nézve?
– igen (túlhatározott lin. egyenletrendszer)
– részben (variable projection)
– nem (Levenberg-Marquardt)

4 / 54
Regresszió

●
egyenes illesztés
●
egyenes sereg illesztés
●
függvény meghatározás (láncgörbe illesztés)
●
kiegyenlítő sík meghatározása
●
kör, henger, gömb illesztés
●
függvénysorba fejtés

5 / 54
Egyenes illesztés
●
egyszerű illesztés: az x értékek hibátlanok

6 / 54
Egyenes illesztés
●
teljes illesztés: az x értékek sem hibátlanok

7 / 54
Egyenes illesztés
●
Detrekői 11.3.3: kiegyenlítő egyenes
●
mindkét koordináta hibával terhelt

y=m·x+b

L yi +v yi =m(L xi +v xi )+b
v i=(v 2xi + v 2yi )1 / 2 8 / 54
Egyenes illesztés
●
Detrekői 11.3.3: kiegyenlítő egyenes
●
mindkét koordináta hibával terhelt

y=m·x+b

v xi =−v i sin φ v i=b cos φ+ L xi sin φ−L yi cos φ

v yi =vi cos φ ∑ i =min
v 2
9 / 54
Egyenes sereg illesztés
●
merőleges egyenes seregek egymástól
p, s távolságban
●
mindkét koordináta hibával terhelt

10 / 54
Egyenes sereg illesztés
●
javítási egyenletek

v i =b cos φ + L xi sin φ−L yi cos φ+ s

v i =c sin φ− L xi cos φ−L yi sin φ+ p

●
alakmátrix, tisztatag vektor

11 / 54
Egyenes sereg illesztés
●
Kossuth téri látogatóközpont kazettás
mennyezete (Vitányi A. TDK dolgozat, 2014)

12 / 54
Egyenes sereg illesztés
●
Tervezett geometria

13 / 54
Egyenes sereg illesztés
●
Mérőállomással mért pontok

14 / 54
Egyenes sereg illesztés
● L1, L2, L∞ norma szerinti megoldások

15 / 54
Egyenes sereg illesztés
● L2 norma szerinti megoldás lineáris trendjei

16 / 54
Egyenes sereg illesztés
●
Kiegyenlítés két irányban eltérő méretarány
tényezővel

17 / 54
Egyenes sereg illesztés
●
Kiegyenlítés két irányban eltérő méretarány
tényezővel L2 norma szerint

x irányban a szerkezet 10 m-en 9.2 mm-el rövidebb, 18 / 54

y irányban 10 m-en 23 mm-el hosszabb
Függvény meghatározás
●
Önsúlyukkal terhelt kötél jellegű befüggesztett
szerkezetek alakja láncgörbe:

( )
H0 θ
z 0 (x )= ·cosh (x+ c1 ) +c 2 ahol θ= μ·g
θ H0

meghatározandó :
H 0, θ , c 1, c 2

19 / 54
Nagyfeszültségű távvezeték
alakjának meghatározása
●
Balogh Bálint (BSc diplomamunka, 2015)
●
Leica TS15i robot mérőállomás
●
Göd és Budafok

20 / 54
Nem lineáris regresszió számítási
eljárása
●
Matlab Curve Fitting Toolbox
– a fit függvény a Levenberg-Marquardt eljárást
alkalmazza a regresszióhoz
●
Levenberg-Marquardt eljárás
– nem lineáris LKN problémák megoldására
– lokális minimum meghatározására alkalmas
– Gauss-Newton és a legmeredekebb lejtő algoritmusok
csillapítási tényezőtől függő kombinációja
●
csillapítási tényező kezdetben nagy, azután csökken
21 / 54
Legmeredekebb lejtő algoritmusa

x n+1 =x n−γ · ∇ f (x n)

geometriai értelmezés:

minden iterációban az f felület xn pontban

vett negatív gradiense irányában
haladunk a minimum felé

22 / 54
Gauss-Newton módszer
−1
x n+1 =x n−γ ·[ H f (x n)] ∇ f ( x n )

geometriai értelmezés:

minden iterációban paraboloidot illesztünk

az f felületre az xn pontban
a paraboloid gradiense és görbülete
azonos az f gradiensével és
görbületével
haladunk a paraboloid minimuma felé
ha az f paraboloid, egy lépésben
megkapjuk a minimumot

23 / 54
Levenberg módszer
−1
x n+1 =x n−[ H f ( x n )+ λ · I ] ∇ f ( x n )

geometriai értelmezés:

legmeredekebb lejtő és gradiens módszer

kombinációja
λ határozza meg, hogy milyen mértékben
tekintjük a függvényt kvadratikushoz
hasonlónak
(ha λ zérus, teljesen kvadratikusnak
vesszük és csak a Newton módszert
alkalmazzuk; értéke az iteráció során
változhat)

24 / 54
Levenberg-Marquardt módszer
−1
x n+1 =x n−[ H f ( x n )+ λ · diag ( H f ( x n ))] ∇ f ( x n )

geometriai értelmezés:

legmeredekebb lejtő és gradiens módszer

kombinációja
a gradiens vektor összetevőit a görbület
értéke szerint módosítjuk:
nagyobb lépés a kisebb görbület
irányában
kisebb lépés a nagyobb görbület
irányában

25 / 54
Levenberg-Marquardt eljárás
görbeillesztéshez
● adott m adatpont (xi, yi) esetén határozzuk meg
az f(x, β) görbe β paramétereit a legkisebb
négyzetes eltérések alapján:
m
^β=argmin ∑ [ y i− f (xi , β )] 2
β i =1

●
iteráció, lépésenként változik a β vektor δ-val
(J a Jacobi mátrix)
f ( x , β + δ)≈ f (x , β )+J δ
26 / 54
Levenberg-Marquardt eljárás
●
megoldás a δ-ra:
(J T J )δ=J T [ y− f ( β)]
● λ csillapítási tényezővel:
(J T J + λ I )δ=J T [ y− f (β )]
●
Marquardt javításával:
T T T
[J J + λ diag( J J )] δ=J [ y− f ( β )]
●
(hasonló a Tyihonov regularizációhoz)
●
ha λ ≈ 0 , Gauss-Newton iteráció, ha λ nagy,
legmeredekebb lejtő módszere lesz 27 / 54
Budafoki távvezeték

28 / 54
Gödi távvezeték

29 / 54
Kiegyenlítő sík illesztése
●
Lineáris LKN probléma
– legjobban illeszkedő sík:

f ( y , z )= p00 + p 10 y + p 01 z

– függőleges sík illesztése esetén valójában csak

egyenes illesztésre van szükség:
f ( y)= p 1 y + p2

30 / 54
Függőleges sík illesztése
●
MÜPA szkennelése robot
mérőállomással

31 / 54
Gömb illesztése m pontra
●
Mindegyik pontra illeszkedik az r sugarú gömb:

√( xi−x 0 ) +( y i − y0 ) +( zi −z0 ) −r=0 ,

2 2 2
i=1 , . .. , m
ezért mindegyik pontra
( xi  x0 ) 2  ( yi  y0 ) 2  ( zi  z0 ) 2  r  2r  c  áll.
●
A két egyenletet összeszorozva
( xi  x0 ) 2  ( yi  y0 ) 2  ( zi  z0 ) 2  r 2  0

●
Új α ismeretlent bevezetve r helyett túlhatározott lineáris
egyenletrendszert kell megoldani:
2 2 2
xi + y i +z i −2 x 0 x i−2 y 0 y i −2 z 0 zi +α=0 , i=1 , . .. , m
  x02  y02  z02  r 2 32 / 54
Budafoki víztorony
●
Robot mérőállomással szkennelt pontfelhő

33 / 54
Budafoki víztorony
●
gömb illesztése a tartályra

34 / 54
Henger tengelyének
meghatározása
●
Óbudai gyárkémény palástjának
szkennelése

35 / 54
Henger tengelyének
meghatározása
●
körök illesztése a tengely
meghatározásához

36 / 54
Henger palást meghatározása
●
Csepeli víztározó szkennelése

37 / 54
Szimbolikus regresszió

●
A szimbolikus regresszió olyan eljárás, amelynek során az
adatokhoz legjobban illeszkedő modellt keresünk,
amelynek a matematikai alakja nem ismert
– matematikai kifejezéseket építünk fel
●
véletlenszerűen (genetikus algoritmus)
●
determinisztikusan (PGE)
– meghatározzuk a kifejezés paramétereit, hogy a
legjobban illeszkedjen az adatokra
– megtartjuk a legjobb modellt és paramétereit
38 / 54
Matematikai kifejezések fái

39 / 54
Genetikus algoritmus

mutáció keresztezés

40 / 54
Hierarchikus genetikus algoritmus

●
mindegyik kifejezés fa egy „kromoszóma”
(egyed, amelyik „mutálódhat” és „kereszteződhet”
egy másik „kromoszómával”)
●
kell egy „rátermettség” függvény: ez megmondja,
hogy egy kifejezés mennyire jól adja vissza az
adatokat (pl. átlag négyzetes hiba)
– egy második genetikus algoritmus határozza
meg egy kifejezés fa optimális együtthatóit

41 / 54
Hierarchikus GA
(Gulsen and Smith, 1998))

42 / 54
Példa

●
Határozzuk meg szimbolikus regresszióval azt az
f(x, y, z) függvényt mely az alábbi értékeket adja:

●
megengedett műveletek: ADD MUL SUB
43 / 54
Átlagos négyzetes hiba

44 / 54
Szakirodalom
●
Detrekői (1991) Kiegyenlítő számítások, 11. fejezet
●
Madsen K, Nielsen H B, Tingleff O (2004): Methods for
Non-linear Least Squares Problems, Infomatics and
Mathematical Modelling, TU Denmark
●
Gulsen M, Smith A E, Tate D M (1995): A genetic algorithm
approach to curve fitting, Int. J. Prod. Res. 33(7), 1911-
1923
●
Worm T, Chiu K (2013): Prioritized Grammar Enumeration:
Symbolic Regression by Dynamic Programming, Proc.
GECCO '13, 1021-1028, ACM

45 / 54
Vizsga

●
60 perc, 5 kérdés, 50 pont, megadott
témakörökből
●
minimum: 25 pont, a tárgy sikeres teljesítéséhez
legalább 50 pont kell (HF + ZH + vizsga)
●
témakörök, kérdések: oktatas.epito.bme.hu
●
Időpontok: 2020.01.16, 23, 28. 1000

46 / 54
1) A minta jellemző értékének mérőszámai: mintamedián,
számtani átlag, leggyakoribb érték fogalma, jellemzőik és
számítási összefüggéseik
2) Az adatrendszer bizonytalansága mint valamely norma
értéke a minimumhelyen. L1, L2 és P1 normák: közepes
eltérés, szórás, határozatlanság. Konfidencia intervallumok:
interkvartilis és interszeksztilis félterjedelem.
3) A statisztikai próba feladata. Mi a statisztika? A statisztikai
függvény és eloszlásának meghatározása Monte Carlo
eljárással. Illeszkedésvizsgálat Kolmogorov próbával. Mi a
Kolmogorov próba statisztikai függvénye és a statisztika
eloszlásfüggvénye? Eloszlásfüggvények (elméleti-tapasztalati
és tapasztalati-tapasztalati) összehasonlításának menete
kvantilis-kvantilis ábrával. Mit nevezünk kvantilisnek?

47 / 54
4) Mit ad meg az IC-függvény, és mire tudjuk használni az IC görbét?
Az aszimptotikus szórásnégyzet definíciója. Mit fejez ki a Cramér-
Rao határ?
5) Mi egy becslés abszolút hatásfoka és mi a hatásfok jelentősége a
gyakorlati munkában? Definiálja két becslés relatív hatásfokát!
Mikor nevezhető egy becslés vagy statisztikai algoritmus
robusztusnak?
6) Mi a különbség a klasszikus és a bayesi szemléletű valószínűség
felfogás között? Mondja ki Bayes tételét teljes eseményrendszerre!
Ismertesse Bayes tételét sűrűségfüggvényekre alkalmazva. Mit
fejez ki a likelihood függvény, mi a prior és a poszterior? A prior és
a poszterior esélyhányados definíciója.
7) Mi az extrém érték elmélet célja és milyen eseményekre
összpontosít? Nevezze meg az extrém érték elmélet két alapvető
módszerét. Milyen eloszlást követnek az egyes módszerek
esetében a vizsgált értékek? Mit nevezünk visszatérési szintnek?

48 / 54
8) Milyen lépésekből áll egy Monte Carlo eljárással végzett számítás?
Hogyan használható egy mérési eljárás esetében a kimeneti
értékek legjellemzőbb értékeinek és mérési bizonytalanságainak a
számítására?
9) Adja meg a mérési bizonytalanság definícióját és
meghatározásának alapvető eljárásait a GUM alapján. Mondjon
példákat a mérési bizonytalanság megadására. Minek tekinthető a
geodéziában használt középhiba a GUM szempontjából? Mi a
kiterjesztett bizonytalanság és a megbízhatósági tartomány?
10)Röviden ismertesse a GNSS mérések kiegyenlítésének általános
modelljét (funkcionális és sztochasztikus modell). Miért kell
linearizálni a közvetítő egyenleteket? Mi a ponthiba és a közepes
ponthiba, és hogyan lehet ezeket meghatározni három
dimenzióban a ponthoz tartozó kiegyenlítés utáni kovariancia
mátrix segítségével?
11) Mi az egész értékű legkisebb négyzetek módszerének a lényege
és mit nevezünk leképezési függvénynek? Miért van szükség
dekorrelációra a megoldás megtalálásához? 49 / 54
12) Milyen kiegyenlítési eljárás alkalmazható abban az
esetben, ha sokkal több a mérés mint ahány paraméter
van? Ismertesse röviden ennek az eljárásnak a lényegét.
13) Mi a szinguláris érték felbontás (SVD)? Milyen
mátrixokra alkalmazható és milyen kapcsolatban van a
sajátérték felbontással? Hogyan oldható meg a
legkisebb négyzetek szerinti kiegyenlítési feladat SVD
felbontás segítségével?
14) Röviden ismertesse a sugárnyaláb-kiegyenlítés
funkcionális modelljét és speciális eseteit és sajátos
szempontjait.
15) Ismertesse röviden a Baarda-féle „data snooping”
eljárást. Mi a konjugált gradiens módszer
alapgondolata? Milyen feladatok megoldására
alkalmazható az eljárás? 50 / 54
16) Számtani átlag rekurzív becslése. Két mérés optimális
kombinálása rekurzív becslés segítségével. Mi a
közvetett állapot becslés? Mi a különbség a statikus és a
dinamikus Kálmán szűrő között? Mi a Kálmán -féle
erősítési mátrix szerepe?
17) Mi a kibővített Kálmán szűrő lényege? Mi az alapvető
hiányossága? Milyen három lépésben valósul meg a
szűrés?
18) Mi a szagtalan Kálmán szűrés alapgondolata? Milyen
célt szolgálnak a szigma pontok? Miért előnyösebb a
szagtalan Kálmán szűrő a kibővített Kálmán szűrőnél?
19) Hogyan jellemezhető egy sztochasztikus folyamat?
(eloszlásfüggvények, térátlag, auto és keresztkorreláció
függvények) Sorolja fel a sztochasztikus folyamatok
néhány fontos fajtáját. 51 / 54
20) Mi a Nyquist feltétel és mi a szerepe a frekvencia
tartományban? Miért kell a mintavételezés illetve az
adatrendszer ritkítása előtt szűrést alkalmazni?
21) Ismertesse a teljesítménysűrűség spektrum (PSD) fogalmát.
Mi az egyoldali PSD? Milyen kapcsolatban van a PSD az
autokovarianciával és mik a fontosabb tulajdonságai? Sorolja
fel a PSD becslés legfontosabb eljárásait.
22) Mi a likelihood és a loglikelihood függvény? Mikor
neveznek egy becslést torzítatlannak illetve konzisztensnek?
Mi a maximum likelihood módszer elve és algoritmusa?
23) Mi az M-becslés és milyen kapcsolatban van a maximum
likelihood becsléssel? Mi az M-becslés cél, hatás és
súlyfüggvénye? Hogyan épül fel a rezisztens M-kiegyenlítés?

52 / 54
24) Miért fontos a robusztus mérés feldolgozás és mi a
célja? Tömören ismertesse a robusztusság és a
rezisztencia fogalmát.
25) Mi a kivágó érték? Mi egy becslés torzítása és
összeomlási pontja?
26) Mit nevezünk egy becslés esetében határeloszlásnak?
Fogalmazza meg a nagy számok törvényét és a centrális
határeloszlástételt. Milyen fontos feltétele van e tételek
érvényességének?
27) Ismertesse a RANSAC becslés alapgondolatát és
folyamatát (fő lépéseit). Milyen paramétereket kell
megadni az eljáráshoz? Mi a becslés eredménye? Milyen
RANSAC eljárásokat használhatunk több modell
becslése esetén?
53 / 54
28) Milyen regressziós eljárásokat
alkalmazhatunk akkor, amikor van információnk
a függvény jellegéről? Hogyan csoportosíthatók
ezek a feladatok az ismert függvény
szempontjából? Röviden ismertesse az egyenes
illesztés eljárását abban az esetben, amikor
mindkét koordinátát hibával terheltnek
tekinthetjük.
29) Mi a Levenberg-Marquardt eljárás lényege és
milyen alapvető paramétert kell felvenni az
eljárás alkalmazása során?
30) Mi a szimbolikus regresszió, és mik az eljárás
főbb lépései? 54 / 54