|
|
Telegrafní rovnice
Továrek, Tomáš ; Nechvátal, Luděk (oponent) ; Franců, Jan (vedoucí práce)
Telegrafní rovnice modelují šíření elektrického signálu ve vedení. V práci je tato soustava parciálních diferenciálních rovnic odvozena z fyzikálních zákonitostí. Jsou studovány vlastnosti řešení, zejména vliv impedančního přizpůsobení vedení na zkreslení signálu. Výsledky jsou ilustrovány numerickými experimenty.
|
|
| |
|
|
Metody pro doplnění chybějících částí obrazu
Kovacs, Jan ; Špiřík, Jan (oponent) ; Průša, Zdeněk (vedoucí práce)
Tato práce se zabývá zpracováním přehledu moderních metod pro automatické doplnění chybějících částí obrazu. V teoretické části této práce je vybráno a popsáno několik nejznámějších metod. Každá z vybraných metod je nejdříve uvedena, poté je popsán její algoritmus a nakonec je zhodnocena za pomoci informací, nabytých z dostupné literatury. Mezi metody, které byly vybrány a následně popsány v této práci patří Image Inpainting, Fragment-Based Image Completion, Exemplar-Based Image Inpainting, Gradient-Based Image Completion by Solving Poisson Equation a nakonec Inpainting by Flexible Haar- Wavelet Shrinkage. V praktické části bakalářské práce byl vybrán algoritmus A Framelet-Based Image Inpa- inting, který byl naprogramován a implementován v programovém prostředí MATLAB. Pro tento algoritmus bylo také naprogramováno vlastní funkční řešení Framelet trans- formace. Dále bylo vytvořeno GUI, které poskytuje možnost uživatelské interakce. Toto v prostředí MATLAB realizované GUI umožňuje jednoduše spravovat vstupy a parame- try algoritmu a pracovat s jeho výstupy. Uživatel je vždy informován o aktuálním stavu výpočtu a je mu zobrazen aktuální výsledek doplnění obrazu. Navíc byl pro GUI vytvo- řen nástroj, který poskytuje uživateli možnost definovat pomocí myši oblasti, jež mají být doplněny. Nakonec byly zhodnoceny výsledky implementovaného algoritmu jak při použití Framelet transformace, tak při použití Contoulet transformace.
|
|
|
Approximation of Sound Propagation by Neural Networks
Nguyen, Son Hai ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Neural solvers have been increasingly explored to replace computationally expensive conventional numerical methods for solving PDEs. This work focuses on solving the time-independent Helmholtz equation for the transcranial ultrasound therapy. Using the convolutional neural networks requires the data to be sampled on a regular grid. In order to try to lift this restriction, we propose an iterative solver based on graph neural networks. Unlike Physics-informed neural networks, our model needs to be trained only once, and only a forward pass is required to obtain a new solution given input parameters. The model is trained using supervised learning, where the reference results are computed using the traditional solver k-Wave. Our results show the model's unroll stability despite being trained with only 8 unroll iterations. Despite the model being trained on the data with a single wave source, it can predict wavefields with multiple wave sources in much larger computational domains. Our model can produce a prediction for sub-pixel points with higher accuracy than linear interpolation. Additionally, our solution can predict the wavefield with downsampled Laplacian - only three samples per wavelength. We are unaware of any other existing method capable of working with such a sparse discretization.
|
|
|
Sturmova-Liouvilleova úloha v kmitání spojitých soustav
Varmusová, Alanis ; Nechvátal, Luděk (oponent) ; Šremr, Jiří (vedoucí práce)
Cílem této práce je zpracování teorie týkající se Sturmovy-Liouvilleovy úlohy a parciálních diferenciálních rovnic druhého řádu. Na základě uvedených poznatků se v práci odvozují potřebná vlastní čísla, vlastní funkce a Greenovy funkce, které jsou se Sturmovou-Liouvillovou úlohou spjaty. Výsledky odvozování se využívají při řešení počátečně-okrajové úlohy vlnové rovnice, jejíž výsledky jsou následně graficky interpretovány.
|
|
|
Analýza diferenčních vztahů pro řešení parciálních diferenciálních rovnic
Zpěváková, Jana ; Zbořil, František (oponent) ; Šátek, Václav (vedoucí práce)
V této bakalářské práci se věnujeme numerickému řešení obyčejných diferenciálních rovnic a numerickým metodám řešení parciálních diferenciálních rovnic. V práci je navržen a implementován program, který převede parciální diferenciální hyperbolickou rovnici na soustavu obyčejných rovnic s využitím metody konečných diferencí. Následně je tato soustava vyřešena pomocí Taylorovy metody naprogramované v prostředí Matlab. V poslední části je srovnána časová náročnost navrženého řešení s paralelním numerickým výpočtem.
|
|
|
Teorie hydraulického rázu
Šíblová, Kamila ; Habán, Vladimír (oponent) ; Fialová, Simona (vedoucí práce)
Práce je přehledovým textem, který se zabývá teori´i, řešením a využitím hydraulického rázu. K řešení je zde využito metody charakteristik, metody Lax Wendroff a metody FTCS. Práce je ucelením veškerých dostupných informací o hydraulickém rázu a jeho využití v praxi.
|
|
|
Paralelní numerické řešení parciálních diferenciálních rovnic
Nečasová, Gabriela ; Šátek, Václav (oponent) ; Kunovský, Jiří (vedoucí práce)
Práce se zabývá tématem paralelního numerického řešení parciálních diferenciálních rovnic. Práce se nejprve zaměřuje na obyčejné parciální diferenciální rovnice (ODR) a jejich metody řešení pomocí Taylorova polynomu. Další část je věnována parciálním diferenciálním rovnicím (PDR). Jsou zde popsány typy PDR, jedná se o parabolické, hyperbolické a eliptické PDR. Také je vysvětleno, jakým způsobem používat systém TKSL při výpočtu PDR. Další část práce je zaměřena na metody řešení PDR, mezi tyto metody patří dopředná, zpětná a kombinovaná metoda. Bylo vysvětleno, jakým způsobem lze tyto metody řešit v systémech TKSL a Matlab. Dále je diskutována přesnost a časová náročnost výpočtu. Další součástí je paralelní řešení PDR. Díky možnosti převodu PDR na soustavu ODR lze jednotlivé rovnice reprezentovat nezávislými operačními jednotkami, které umožňují paralelní výpočet. Poslední kapitola je věnována implementaci. Aplikace umožňuje vygenerovat soustavy ODR pro systém TKSL, které reprezentují zadanou hyperbolickou PDR.
|
|
| |
|
|
Approximation of Sound Propagation by Neural Networks
Nguyen, Son Hai ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Neural solvers have been increasingly explored to replace computationally expensive conventional numerical methods for solving PDEs. This work focuses on solving the time-independent Helmholtz equation for the transcranial ultrasound therapy. Using the convolutional neural networks requires the data to be sampled on a regular grid. In order to try to lift this restriction, we propose an iterative solver based on graph neural networks. Unlike Physics-informed neural networks, our model needs to be trained only once, and only a forward pass is required to obtain a new solution given input parameters. The model is trained using supervised learning, where the reference results are computed using the traditional solver k-Wave. Our results show the model's unroll stability despite being trained with only 8 unroll iterations. Despite the model being trained on the data with a single wave source, it can predict wavefields with multiple wave sources in much larger computational domains. Our model can produce a prediction for sub-pixel points with higher accuracy than linear interpolation. Additionally, our solution can predict the wavefield with downsampled Laplacian - only three samples per wavelength. We are unaware of any other existing method capable of working with such a sparse discretization.
|
host ::
RSS.