|
|
Radio Modulation Recognition Networks
Pijáčková, Kristýna ; Maršálek, Roman (referee) ; Götthans, Tomáš (advisor)
Bakalářská práce se zabývá klasifikací rádiových modulací pomocí metod hloubkového učení. V práci jsou navrženy čtyři architektury, kde tři z nich jsou tvořeny pomocí konvolučních a rekurentních neuronových sítí a čtvrtá využívá architekturu transformátorů. Při návrhu architektur byl brán v potaz výsledný počet parametrů jednotlivých sítí, který může výrazně ovlivňovat výslednou velikost sítě. Pro účely návrhu byl využit programovací jazyk Python a knihovna Keras, která umožňuje práci s neuronovými sítěmi. Výsledky práce jsou následně zhodnoceny a porovnány s výsledky sítí navržených v článcích zabývajících se tímto tématem.
|
|
|
Optimizing neural network architecture for EEG processing using evolutionary algorithms
Pijáčková, Kristýna ; Maršálek, Roman (referee) ; Götthans, Tomáš (advisor)
Tato práce se zabývá optimalizací hyperparametrů neuronových sítí pro zpracování EEG signálu pomocí evolučních algoritmů. Využití evolučních optimalizace může snížit závislost na lidské intuici a empirických znalostech při návrhu neuronové sítě a může tak zefektivnit návrh neuronové sítě. V této práci byl navržen genetický algoritmus, který je vhodný pro optimalizaci hyperparametrů i pro hledání neuronové architektury. Tyto metody byly porovnány s referenčním modelem navrženým inženýrem s expertýzou v této oblasti. Data použitá v této práci jsou rozdělena do čtyř kategorií a pocházejí z Fakultní nemocnice svaté Anny v Brně (SAUH) a Mayo kliniky (MAYO) a obsahují iEEG záznamy u pacienta s epilepsií rezistentní na léky, který podstupuje předoperační vyšetření. Metoda hledání neuronové architektury dosáhla výsledků srovnatelných s referenčním modelem. Optimalizovaný model zlepšil F1 skóre oproti originálnímu, empiricky navrženému modelu z 0.9076 na 0.9673 pro data z SAUH a 0.9222 na 0.9400 pro data z Mayo kliniky. Ke zvýšenému skóre přispěla hlavně zvýšená přesnost klasifikace patologických událostí a šumu, která může mít dále pozitivní vliv v aplikacích tohoto modelu v detektoru záchvatů a šumu.
|
|
| |
|
|
Evaluation Of Cnn And Cldnn Architectures On Radio Modulation Datasets
Pijáčková, Kristýna
This paper presents an evaluation of deep learning architectures designed for modulationrecognition. The evaluation inspects, whether the architectures behave in the same way as they didon the dataset they were designed on. The architectures are trained and tested on two different radiomodulation datasets. This results in proposing additional binary classification as a method to reducemisclassification of QAM modulation types in one of the datasets.
|
|
|
Radio Modulation Recognition Networks
Pijáčková, Kristýna ; Maršálek, Roman (referee) ; Götthans, Tomáš (advisor)
Bakalářská práce se zabývá klasifikací rádiových modulací pomocí metod hloubkového učení. V práci jsou navrženy čtyři architektury, kde tři z nich jsou tvořeny pomocí konvolučních a rekurentních neuronových sítí a čtvrtá využívá architekturu transformátorů. Při návrhu architektur byl brán v potaz výsledný počet parametrů jednotlivých sítí, který může výrazně ovlivňovat výslednou velikost sítě. Pro účely návrhu byl využit programovací jazyk Python a knihovna Keras, která umožňuje práci s neuronovými sítěmi. Výsledky práce jsou následně zhodnoceny a porovnány s výsledky sítí navržených v článcích zabývajících se tímto tématem.
|
guest ::
