Implementation of the LARS method to solve the inverse problem in electrical tomography
Artykuł w czasopiśmie
MNiSW
14
Lista B
| Status: | |
| Warianty tytułu: |
Implementacja metody LARS do rozwi ą zywania problemu odwrotnego w tomografii elektrycznej
|
| Autorzy: | Rymarczyk Tomasz, Kozłowski Edward, Kłosowski Grzegorz, Adamkiewicz Przemysław |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2018 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 12 |
| Wolumen/Tom: | 94 |
| Strony: | 146 - 149 |
| Web of Science® Times Cited: | 3 |
| Scopus® Cytowania: | 6 |
| Bazy: | Web of Science | Scopus | BazTech |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 31 grudnia 2018 |
| Abstrakty: | polski | angielski |
| The presented research presents a method of using the smallest angles regression algorithm to solve the inverse problem in electrical impedance tomography in relation to a damp wall. Highly correlated predictors in linear models make it difficult to precisely determine the influence of these predictors on the output variable. The standard application of the least-squares method to estimate unknown parameters may lead to a poor forecast. Adding a penalty parameter depending on quantities of parameters to the least square criterion allows us to determine the biased estimators but also to reduce the variance of estimators. | |
| Przedstawione badania dotyczą sposobu wykorzystania algorytmu regresji najmniejszego kąta (LARS) do rozwiązania problemu odwrotnego w elektrycznej tomografii impedancyjnej w odniesieniu do wilgotnej ściany. Wysoce skorelowane predyktory w modelach liniowych utrudniają precyzyjne określenie wpływu tych predyktorów na zmienną wyjściową. Standardowe zastosowanie metody Najmniejszych kwadratów do oszacowania nieznanych parametrów może prowadzić do złej prognozy. Dodanie elementu kary w zależności od ilości parametrów do kryterium najmniejszego kwadratu pozwala nam określić estymatory obciążenia, a także zmniejszyć wariancję estymatorów. |
