Exploring chaotic time series and phase spaces

Betere analyse van tijdsafhankelijke data

Technologische vooruitgangen hebben de studie van tijdsafhankelijke data mogelijk gemaakt in toepassingen zoals gezondheidszorg, biologie en entertainment. Dit type data, ook bekend als tijdseries of data streams, hebben geleid tot verschillende studies vooral op het gebied van machine learning en statistiek om modellen af te leiden die kunnen voorspellen en classificeren. In zijn promotieonderzoek zocht Lucas de Carvalho Pagliosa naar manieren om de analyse van tijdsreeksen te verbeteren.

Dit deed hij door ze te modelleren in faseruimte, waar hun dynamiek intuïtiever is te beschrijven. Hij organiseerde tijdreeksmetingen als toestanden die bepaald worden door een goed gedefinieerde structuur die helpt om betere inzichten te verkrijgen. Om dit te doen waren twee parameters nodig. De Carvalho Pagliosa beschrijft methoden die deze parameters beter schatten dan bestaande technieken en die leiden tot robuustere alternatieven om faseruimtes te reconstrueren uit tijdsreeksen.

Het promotieonderzoek van Lucas de Carvalho Pagliosa vond plaats bij de afdeling Wetenschappelijke Visualisatie en Computergrafiek van het Bernoulli Instituut, met financiering via een beurs van de Braziliaanse overheid.

Proefschrift: http://hdl.handle.net/11370/5a7b020a-6724-40a4-b8a5-e42de8e6be2a