|
|
Komprese obrazu s využitím umělé neuronové sítě
Vondráček, Jiří ; Pohl, Jan (oponent) ; Jirsík, Václav (vedoucí práce)
Bakalářská práce je zaměřena na kompresi obrazu s využitím umělé neuronové sítě včetně praktické realizace. Jejím cílem je prozkoumat možnosti komprese obrazu umělou neuronovou sítí a vyhodnotit výsledky. V teoretické části je vysvětlen princip umělých neuronových sítí a také jsou zde popsány základní metody komprese obrazu. V praktické části je stručný popis kompresního programu, porovnání různých nastavení a vyhodnocení výsledků.
|
|
|
Analýza podpisového vzoru s využitím umělé neuronové sítě
Ševčík, Pavel ; Horák, Karel (oponent) ; Pohl, Jan (vedoucí práce)
Práce se zabývá metodami počítačového zpracování podpisového vzoru a jeho analýzou s využitím umělé neuronové sítě. Jde o procesy, při kterých je nejprve podpis digitalizován a zpracováván pomocí metod předzpracování a segmentace. Poté je objekt podpisového vzoru popsán pomocí centrálních geometrických momentů a momentových charakteristik. Nakonec probíhá klasifikace vícevrstvým perceptronen, pomocí jehož výstupů bude určena osoba, které podpis patří.
|
|
| |
|
|
Umělá neuronová síť pro modelování polí uvnitř automobilu
Kostka, Filip ; Škvor, Zbyněk (oponent) ; Raida, Zbyněk (vedoucí práce)
Tato diplomová práce se zabývá umělými neuronovými sítěmi. Po navržení a odladění vzorové testovací a trénovací sady byly vytvořeny vícevrstvé perceptronové sítě v Neural Network Toolbox(NNT) Matlabu. Pro vytváření sítí byly využity různé trénovací algoritmy a algoritmy zlepšující generalizaci sítě. Při tvorbě radiální bázové sítě nebylo užito NNT. Tato síť byla vytvořena kódem v programu Matlab. Funkčnost vytvořených sítí byla ověřena na jednoduchých trénovacích a testovacích vzorech. Reálná trénovací data byla získána simulací dvanácti monokónických anténpracujícíchna frekvencích 2 až 6 GHz. Antény byly rozmístěny uvnitř matematického modelu Octavia II. Simulací v programu CST Microwave Studio byla modelována elektromagnetická pole uvnitř automobilu. U natrénovaných sítí zobrazujeme regresivní křivku přichycení trénovacích vzorů k síti, závislosti střední kvadratické chyby na počtu neuronů a na složitosti vstupního signálu a absolutní chybu sítě. Vlastnosti jednotlivých sítí jsou vzájemně porovnány a jsou určeny podmínky pro použití NN sítí pro modelování polí uvnitř automobilu.
|
|
|
Použití kumulantů vyšších řádů pro klasifikaci srdečních cyklů
Dvořáček, Jiří ; Kolářová, Jana (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová práce se zabývá použitím kumulantů vyšších řádů pro klasifikaci srdečních cyklů. Kumulanty druhého, třetího a čtvrtého řádu byly aplikovány na EKG záznamy pořízené z izolovaných srdcí králíků v průběhu experimentů s opakovanou ischemií. Vlastnosti kumulantů, které mohou byt užitečné pro následnou klasifikaci, byly ověřeny na EKG cyklech z kontrolní a ischemické skupiny. Dosažené výsledky byly statisticky zpracovány. Následně jsou jednotlivé kumulanty jako vektory příznaků klasifikovány v neuronové síti. Výstupem je klasifikovaný srdeční cyklus.
|
|
|
Síťový prvek s pokročilým řízením
Zedníček, Petr ; Kacálek, Jan (oponent) ; Škorpil, Vladislav (vedoucí práce)
Diplomová práce se zabývá hledáním a testováním neuronových sítí, jejichž vlastnosti a parametry se hodí pro řízení aktivního síťového prvku. Řeší optimalizační úlohu prioritního přepojování datových jednotek ze vstupu na výstup. Práce je zaměřena z velké části na využití Hopfieldovy a Kohonenovy sítě a jejich optimalizaci. Výsledkem práce jsou dva modely. První je řešen teoreticky v programu Matlab, kde se vzájemně porovnávají teoretické výsledky neuronových sítí. Druhým modelem je reálný model aktivního prvku navrženým v programu Simulink.
|
|
|
Návrh algoritmů pro neuronové sítě řídicí síťový prvek
Stískal, Břetislav ; Kacálek, Jan (oponent) ; Škorpil, Vladislav (vedoucí práce)
V teoretické části této práce se uvádí základní informace o historii a vývoji umělých neuronových sítí (UNS) z minulého období až po dnešek. Praktická část podává důkazy předpokladů zmiňovaných v teoretické části této práce, např. znázornění učení, trénování jednotlivých typů neurónových sítí na různých praktických úkolech, jejich následná simulace a vynesení poznání a závěrů z těchto simulací. Cílem je simulování aktivního prvku v síti, řízeného pomocí umělé inteligence. Tedy učení (trénování) neuronové sítě a její následná simulace pro řízení přepínače. V práci je uveden a popsán algoritmus směrování pomocí Hopfieldovy sítě založeném na typickém problému obchodního cestujícího. Následuje nastínění optimalizačních problémů a jejich řešení, porovnání s dalšími typy rekurentních (zpětnovazebních) sítí (Elman a Layer Recurrent) jejich hlavní rozdíly, způsoby optimalizace, výhody a nevýhody. Z poznatků této práce, je uveden návrh dalšího řešení řízení pomocí neuronových sítí do budoucna.
|
|
|
Modelování a simulace v oblasti odpadového hospodářství
Pařízková, Iva ; Popela, Pavel (oponent) ; Touš, Michal (vedoucí práce)
Bakalářská práce se zabývá aplikací vícevrstevné perceptronové sítě v modelech technologie zařízení pro energetické využití odpadu (ZEVO). Jedná se konkrétně o modely pro množství páry vyrobené v kotlích a množství páry odebírané externím subjektem. Nejprve je uvedena základní teorie k neuronovým sítím, následována popisem k modulu Neuronové sítě v programu STATISTICA, pomocí kterého byly tvořeny modely v praktické části. Další část práce je věnována rozboru vzniklých modelů. Jedná se zejména o analýzu vlivu vstupních faktorů, porovnání neuronové sítě a lineární regrese, důvody zvolení složitějšího modelu neuronové sítě a samozřejmě popisu výsledného modelu neuronových sítí. V neposlední řadě byl v rámci této práce vytvořen program pro implentaci neuronové sítě do prostředí Visual Basic of Application (VBA). Po úpravě syntaxe je však použitelný pro implementaci do libovolného programovacího jazyka.
|
|
|
Srovnání účinnosti simulačních metod při učení umělých neuronových sítí a inverzní analýze
Nezval, Michal ; Novák, Drahomír (oponent) ; Lehký, David (vedoucí práce)
Předkládaná práce se zabývá inverzní analýzou založenou na kombinaci umělých neuronových sítí a stochastických metod. Cílem je porovnat účinnost nové simulační metody Hierarchical Subset Latin Hypercube Sampling s klasickou metodou Monte Carlo a standardní metodou Latin Hypecube Sampling při učení neuronových sítí. Účinnost je porovnána pro různě složité neuronové sítě. Inverzní analýza je aplikována při identifikaci parametrů inženýrských úloh, což je demonstrováno na funkci poruchy rámu šikmé střechy a určení materiálových charakteristik u tříbodového ohybu. Na závěr práce je diskutována otázka, zda je metoda Hierarchical Subset Latin Hypercube alespoň stejně výkonná jako další dvě stochastické metody.
|
|
|
Umělé neuronové sítě pro učení robotů
Sovka, Michal ; Jirků, Petr (vedoucí práce) ; Berka, Petr (oponent)
Cílem této bakalářské práce je pochopit, popsat a vysvětlit základní principy a elementy využívané v učení robotů s využitím umělých neuronových sítí. Nejdříve se zaměřuji na roboty obecně a jejich základní funkční celky. Posléze je zavádím do teorie učení aplikované do reálného prostředí. Nervová soustava se v této práci stává centrálním zamyšlením nad teorií učení s využitím umělé neuronové sítě. Za velmi důležité pro pochopení umělého neuronu a umělých neuronových sítí jako celek považuji biologický neuron a jeho synapse. Proto se jim věnuji s potřebnou důkladností. Po úvodu do umělých neuronových sítí se věnuji pouze jedné jejich skupině plně využívané v robotice. Na závěr demonstruji funkci Kohonenova typu umělé neuronové sítě využívaného v robotice, a to na aplikaci vyvinuté na jednom zahraničním vysokoškolském pracovišti. Přínos práce vidím ve vytvoření komplexního textu zaměřeného jak na základní elementy robotů, tak i na umělé neuronové sítě a jejich neurobiologický předpoklad. Práci pak mohou využít ke studiu zájemci v širším přístupu k inteligentní robotice.
|
host ::
RSS.