Show simple item record

Kontextové modely pro statistickou kompresi dat
dc.contributor.advisorDvořák, Tomáš
dc.creatorPaška, Přemysl
dc.date.accessioned2017-04-12T09:53:13Z
dc.date.available2017-04-12T09:53:13Z
dc.date.issued2008
dc.identifier.urihttp://hdl.handle.net/20.500.11956/17227
dc.description.abstractSoučasné metody kontextového modelování používají agregovanou formu statistik a historii dat využívají jen výjimečně. Tato práce představuje dvě nezávislé metody, které používají historii so fistikovaněji. Metoda Prediction by Partial Matching (PPM) při aktualizaci kontextového stromu ignoruje předchozí výskyty nově přidávaného kontextu, což zhoršuje přesnosti výsledných pravděpodobností. Je představen vylepšený algoritmus, který používá kompletní historii dat. Empirické výsledky naznačují, že tato neoptimalita PPM je jednou z hlavních příčin problému nepřesných statistik v kontextech vyšších řádů. Současné metody (zejména PAQ) se adaptují na nestacionární data pomocí silného zvýhodnění nejposlednějších statistik. Metoda představená v této práci zobecňuje tento přístup zvýhodňováním těch částí historie, které jsou nejvíce relevantní k právě zpracovávaným datům a její implementace poskytuje zlepšení na téměř všech testovaných datech zejména na vzorcích nestacionárních dat.cs_CZ
dc.description.abstractCurrent context modelling methods use an aggregated form of the statistics reusing the data history only rarely. This work proposes two independent methods that use the history in a more elaborate way. When the Prediction by Partial Matching (PPM) method updates its context tree, previous occurrences of a newly added context are ignored, which harms precision of the probabilities. An improved algorithm, which uses the complete data history, is described. The empirical results suggest that this PPM sub-obtimality is one of the major cause of the problem of inaccurate probabilities in high context orders. Current methods (especially PAQ) adapt to non-stationary data by strong favoring of the most recent statistics. The method proposed in this work generalizes this approach by favoring those parts of the history which are the most relevant to the current data, and its imlementation provides an improvement for almost all tested data especially for some samples of non-stationary data.en_US
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Matematicko-fyzikální fakultacs_CZ
dc.titleKontextové modely pro statistickou kompresi daten_US
dc.typediplomová prácecs_CZ
dcterms.created2008
dcterms.dateAccepted2008-09-24
dc.description.departmentKatedra softwaru a výuky informatikycs_CZ
dc.description.departmentDepartment of Software and Computer Science Educationen_US
dc.description.facultyFaculty of Mathematics and Physicsen_US
dc.description.facultyMatematicko-fyzikální fakultacs_CZ
dc.identifier.repId44144
dc.title.translatedKontextové modely pro statistickou kompresi datcs_CZ
dc.contributor.refereeŽemlička, Michal
dc.identifier.aleph001037631
thesis.degree.nameMgr.
thesis.degree.levelmagisterskécs_CZ
thesis.degree.disciplineSoftwarové systémycs_CZ
thesis.degree.disciplineSoftware systemsen_US
thesis.degree.programInformatikacs_CZ
thesis.degree.programInformaticsen_US
uk.faculty-name.csMatematicko-fyzikální fakultacs_CZ
uk.faculty-name.enFaculty of Mathematics and Physicsen_US
uk.faculty-abbr.csMFFcs_CZ
uk.degree-discipline.csSoftwarové systémycs_CZ
uk.degree-discipline.enSoftware systemsen_US
uk.degree-program.csInformatikacs_CZ
uk.degree-program.enInformaticsen_US
thesis.grade.csVýborněcs_CZ
thesis.grade.enExcellenten_US
uk.abstract.csSoučasné metody kontextového modelování používají agregovanou formu statistik a historii dat využívají jen výjimečně. Tato práce představuje dvě nezávislé metody, které používají historii so fistikovaněji. Metoda Prediction by Partial Matching (PPM) při aktualizaci kontextového stromu ignoruje předchozí výskyty nově přidávaného kontextu, což zhoršuje přesnosti výsledných pravděpodobností. Je představen vylepšený algoritmus, který používá kompletní historii dat. Empirické výsledky naznačují, že tato neoptimalita PPM je jednou z hlavních příčin problému nepřesných statistik v kontextech vyšších řádů. Současné metody (zejména PAQ) se adaptují na nestacionární data pomocí silného zvýhodnění nejposlednějších statistik. Metoda představená v této práci zobecňuje tento přístup zvýhodňováním těch částí historie, které jsou nejvíce relevantní k právě zpracovávaným datům a její implementace poskytuje zlepšení na téměř všech testovaných datech zejména na vzorcích nestacionárních dat.cs_CZ
uk.abstract.enCurrent context modelling methods use an aggregated form of the statistics reusing the data history only rarely. This work proposes two independent methods that use the history in a more elaborate way. When the Prediction by Partial Matching (PPM) method updates its context tree, previous occurrences of a newly added context are ignored, which harms precision of the probabilities. An improved algorithm, which uses the complete data history, is described. The empirical results suggest that this PPM sub-obtimality is one of the major cause of the problem of inaccurate probabilities in high context orders. Current methods (especially PAQ) adapt to non-stationary data by strong favoring of the most recent statistics. The method proposed in this work generalizes this approach by favoring those parts of the history which are the most relevant to the current data, and its imlementation provides an improvement for almost all tested data especially for some samples of non-stationary data.en_US
uk.publication-placePrahacs_CZ
uk.grantorUniverzita Karlova, Matematicko-fyzikální fakulta, Katedra softwaru a výuky informatikycs_CZ


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 3-5, 116 36 Praha; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV