1 / 14

Die Sprache R und die R-Bibliothek für räumliche Extrapolation

Die Sprache R und die R-Bibliothek für räumliche Extrapolation. 1. Einige Extrapolationspakete in R:. 2. Beispiele von Extrapolationspaketen. 1 - Einige Extrapolationspakete in R:. adapt multidimensionale , numerische Integration. adaptive Quadrature bis zu 20 dimensional

owen
Download Presentation

Die Sprache R und die R-Bibliothek für räumliche Extrapolation

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Die Sprache R und die R-Bibliothek für räumliche Extrapolation 1.Einige Extrapolationspakete in R: 2. Beispiele von Extrapolationspaketen

  2. 1- Einige Extrapolationspakete in R: • adapt • multidimensionale , numerische Integration. • adaptive Quadrature bis zu 20 dimensional • deldir • Delaunay Triangulation and Dirichlet (Voronoi) Tesselation • fields • Tools für räumliche Datensammlungen und Programme für Kurven- • und Funktionen-Anpassung. • gafit • Generische Algorithmen Zur Kurvenanpassungen • geoR • Funktionen für geostatistiche Datenanalyse • grasper • Verallgemeinerte Analyse der Regression und räumliche Vorhersagen in R

  3. gss • allgemeine Glättung von Splines • iswr • Einführung in die Statistik in R • msm • Multistate Markov models in continuous time • muhaz • Paket zum Erzeugen einer glatten Schätzung der Zufallsfunktion • für kritische Werte • odesolve • Gewöhnliche Differentialgleichungen • Random fields • Simulation and Analysis of Random Fields • spatstat • Simulation von 2 dimensionalen Punktmodellen • splanes • Spatials and Space-time Point Pattern Analysis • tseries • Time series analysis and computational finance.

  4. Hinweis: Die Installation eines Pakets unter R erfolgt wie folgt: Paket herunterladen und • unter Windows: • im {R-Home}/library -Verzeichnis kopieren • unter Linux /Unix: • R INSTALL Paket.tar • alternativ • R starten und install.package(‘Paket‘) eingeben 2. Beispiele von Extrapolationspaketen 2-1 Das Paket Akima Anwendung: cubic spline extrapolation Aufruf: • Ergebnis = interp(x,y,z) • Oder mit zusätzlichen Parametern • interp(x,y,z,xo,yo,ncp,extrap), • interp.new(...), interp.old(...)

  5. benötigte Eingaben • X • Ein Vektor mit der X-Koordinate der • Meßpunkte • Y • Ein Vektor mit der Y-Koordinate der • Meßpunkte • Z • Die gemessenen Werte • X0 • X-Koordinaten des Ausgabe-Gitters • Y0 • Y-Koordinaten des Ausgabe-Gitters • Ncp • Anzahl der zusätzlichen Punkte, die in der Berechnung der partiellen Ableitung bei • jedem Punkt benutzt werden soll • Extrap • Sollen nicht definierte Werte ersetzt werden?

  6. Implementierung: das boolesche Modell: > werte = read.table('test0.dat') > werte V1 V2 V3 1 78 0 1 2 92 0 1 3 53 2 0 4 118 2 1 5 180 2 0 6 28 5 0 7 172 5 0 8 196 5 0 9 56 6 0 10 92 6 1 11 178 6 0 12 0 7 0 13 124 7 1 ... 398 117 194 1 399 133 194 1 400 174 194 0 401 26 195 1 402 0 196 1 403 2 196 1 404 51 196 0 405 144 196 1 406 155 196 1 407 25 197 1 408 29 197 1 409 97 197 1 410 55 198 1 Tatsächliche Werte Meßorte

  7. > # Bibliothek laden > library(akima) > # Funktion vom Paket aufrufen und Extrapolation durchführen > # die x,y und z-Koordinaten wurden früher ausgelesen und in ‘werte‘ > # gespeichert > bild =interp.new(werte$V1,werte$V2,werte$V3,extrap=TRUE) > # Bild anzeigen > image(bild,main='geschätzte Werte') Originalbild

  8. ># ein anderes Fenster öffnen > windows() > image(a) > contour(a,add=TRUE ,main='Darstellung mit isolinien') Originalbild

  9. 2-2 das Paket Fields - Funktion Tps Anwendung: thin plate spline fitting wobei Aufruf: Ergebnis = Tps(M,z) • M • Matrix mit den Meßstellen • z • die Meßwerten sind.

  10. Implementierung: > library(fields) > tabelle = read.table('test0.dat') > M = matrix(nc=2,nr=410) > M[,1]=tabelle$V1;M[,2]=tabelle$V2 > z=tabelle$V3 > bild = Tps(M,z) ># Anzeigen >surface(bild,type='I',main='thin plate splines regression') Originalbild

  11. -Funktion stats Berechnet die allgemeinen Statistiken eines Datensatzes Aufruf: stats(x) wobei x ein Vektor , eine Matrix, oder eine Liste mit den zu bearbeitenden Daten ist. > test = matrix( rnorm(40),nc=4) [,1] [,2] [,3] [,4] [1,] 0.8558990 0.78164733 -0.3399095 -1.25745506 [2,] -0.7450166 -2.19926569 2.0638275 4.03476790 [3,] -0.4670831 -0.35056298 -0.0682312 0.02454136 [4,] -0.2473589 -1.17434882 -1.7119517 0.05066576 [5,] 0.7765930 -0.56373543 0.5910227 -0.06191312 [6,] 0.9452108 0.62275970 1.4570585 -0.34027899 [7,] -1.8537570 0.99369978 0.9913790 -0.77783609 [8,] 0.2235473 -0.74028294 -0.7828707 1.14223477 [9,] -0.3107069 -0.03890155 -2.4991293 -0.37005791 [10,] 0.4786146 -1.10437317 -0.4329951 -0.28446861 > test > stats(test) [,1] [,2] [,3] [,4] N 10.00000000 10.0000000 10.00000000 10.00000000 mean -0.03440577 -0.3773364 -0.07317997 0.21602000 Std.Dev. 0.87328546 0.9993411 1.40467400 1.47739582 min -1.85375698 -2.1992657 -2.49912925 -1.25745506 Q1 -0.42798903 -1.0133506 -0.69540179 -0.36261318 median -0.01190584 -0.4571492 -0.20407034 -0.17319087 Q3 0.70209839 0.4573444 0.89128990 0.04413466 max 0.94521081 0.9936998 2.06382752 4.03476790 missing values 0.00000000 0.0000000 0.00000000 0.00000000

  12. bechäftigt sich mit der räumlichen Statistik 2-3 dasPaket spatstat • rMatClust • Erzeugt ein zufälliges Punktmodell mit dem Matterncluster prozess • Aufruf: • rMatClust(lambda, r, mu, win = owin(c(0,1),c(0,1))) • Parameter: • Lambda : Intensity of the Poisson process of cluster centres. • r: Radius parameter of the clusters. • mu: Mean number of points per cluster. • win: Window in which to simulate the pattern. • > library(spatstat) >test = rMatClust(100, 0.05, mu=0.4, win=owin(c(0,5),c(0,5))) • > plot(test,main=‚Matternclusterprozess')

  13. rpoispp Erzeugt ein zufälliges Punktmodell mit dem homogenen und nicht homogenen Poisson prozess Aufruf: rpoispp(lambda, max, win, ...) Parameter: • lambda: Intensity of the Poisson process. Either a single positive • number, or a `function(x,y, ...)'. • max: An upper bound for the value of `lambda(x,y)', • if `lambda' is a function. • win: Window in which to simulate the pattern. • > pp <- rpoispp(100, win=owin(c(0,10),c(0,10))) • > plot(pp,main='rpoispp')

  14. Dokumentation Außerdem gibt es mittels dem ‘Sjava’ Interface jetzt die Möglichkeit, eine Anbindung von der Sprache java nach R (und umgekehrt ) zu schaffen. Damit kann man z.B. von R aus Graphischen Oberflächen (mittels Java GUIs) darstellen, oder R -Funktionen in einem Java Programm ausführen • Information über die Sprache R und die verfügbare Pakete findet man unter • www.r-project.org , • Informationen über das Java-Interface für R findet man unter • www.omegahat.org

More Related