|
|
Dolování dat z webu
Ljubopytnov, Vladimír ; Pokorný, Jaroslav (vedoucí práce) ; Húsek, Dušan (oponent)
Tato práce se soustředí na zmapování současných poznatků v oblasti dolování dat z webu s důrazem na shlukování dokumentů. Nejpodrobněji je zkoumán algoritmus projektivního shlukování DOC, je uvedena jeho modifikace pro data s váženými dimenzemi. Algoritmus je aplikován při shlukování výsledků webového vyhledávače. Součástí práce je implementace Javovského shlukovacího balíčku s rozhraním pro vyhledávač Google a s nástrojem pro hodnocení kvality frází.
|
|
|
Shluky silně podobných textů
Diviš, Jiří ; Holub, Martin (vedoucí práce) ; Húsek, Dušan (oponent)
Práce se věnuje automatizovanému hledání shluků tématicky podobných textových dokumentů v rozsáhlých textových kolekcích. V práci je navržen algoritmus pro nalezení těchto shluků a metoda pro optimalizaci jeho parametrů pomocí strojového učení. Byla provedena implementace a experimentální ověření funkčnosti navrženého postupu. Pro evaluaci je využita ručně anotovaná kolekce českých dokumentů obsahující množinu vzorových shluků a dále obsáhlá kolekce novinových článků. Provedené experimenty ukazují, že výstupem navrženého algoritmu jsou požadované shluky tématicky podobných textů.
|
|
|
Assessment of Independent EEG Components Obtained by Different Methods for BCI Based on Motor Imagery
Húsek, Dušan ; Frolov, A. A. ; Kerechanin, J. V. ; Bobrov, P.D.
Eight methods of decomposition of a multichannel EEG signal are compared in terms of their ability to identify the most physiologically significant components. The criterion for the meaningfulness of a method is its ability to reduce mutual information between components; to create components that can be attributed to the activity of dipoles located in the cerebral cortex; find components that are provided by other methods and for this case; and at the same time, these components should most contribute to the accuracy of the BCI based on imaginary movement. Independent component analysis methods AMICA, RUNICA and FASTICA outperform others in the first three criteria and are second only to the Common Spatial Patterns method in the fourth criterion. The components created by all methods for 386 experimental sessions of 27 subjects were combined into more than 100 clusters containing more than 10 elements. Additionally, the components of the 12 largest clusters were analyzed. They have proven to be of great importance in controlling BCI, their origins can be modeled using dipoles in the brain, and they have been detected by several degradation methods. Five of the 12 selected components have been identified and described in our previous articles. Even if the physiological and functional origins of the rest of identified components’ are to be the subject of further research, we have shown that their physiological nature is at least highly probable.\n
|
|
|
Visual Images Segmentation based on Uniform Textures Extraction
Goltsev, A. ; Gritsenko, V. ; Húsek, Dušan
A new effective procedure for partial texture segmentation of visual images is proposed. The procedure segments any input image into a number of non-overlapping homogeneous ne-grained texture areas. The main advantages of the proposed procedure are as follows. It is completely unsupervised, that is, it processes the input image without any prior knowledge of either the type of textures or the number of texture segments in the image. In addition, the procedure segments arbitrary images of all types. This means that no changes to the procedure parameters are required to switch from one image type to another. Another major advantage of the procedure is that in most cases it extracts the uniform ne-grained texture segments present in the image, just as humans do. This result is supported by series of experiments that demonstrate the ability of the procedure to delineate uniform ne-grained texture segments over a wide range of images. At a minimum, image processing according to the proposed technique leads to a signficant reduction in the uncertainty of the internal structure of the analyzed image.
|
|
|
Dolování dat z webu
Ljubopytnov, Vladimír ; Húsek, Dušan (oponent) ; Pokorný, Jaroslav (vedoucí práce)
Tato práce se soustředí na zmapování současných poznatků v oblasti dolování dat z webu s důrazem na shlukování dokumentů. Nejpodrobněji je zkoumán algoritmus projektivního shlukování DOC, je uvedena jeho modifikace pro data s váženými dimenzemi. Algoritmus je aplikován při shlukování výsledků webového vyhledávače. Součástí práce je implementace Javovského shlukovacího balíčku s rozhraním pro vyhledávač Google a s nástrojem pro hodnocení kvality frází.
|
|
|
Shluky silně podobných textů
Diviš, Jiří ; Húsek, Dušan (oponent) ; Holub, Martin (vedoucí práce)
Práce se věnuje automatizovanému hledání shluků tématicky podobných textových dokumentů v rozsáhlých textových kolekcích. V práci je navržen algoritmus pro nalezení těchto shluků a metoda pro optimalizaci jeho parametrů pomocí strojového učení. Byla provedena implementace a experimentální ověření funkčnosti navrženého postupu. Pro evaluaci je využita ručně anotovaná kolekce českých dokumentů obsahující množinu vzorových shluků a dále obsáhlá kolekce novinových článků. Provedené experimenty ukazují, že výstupem navrženého algoritmu jsou požadované shluky tématicky podobných textů.
|
|
| |
|
|
Biologicky inspirované modely založené na prototypech a aplikace gompertzovské dynamiky ve shlukové analýze
Pastorek, Lukáš ; Řezanková, Hana (vedoucí práce) ; Húsek, Dušan (oponent) ; Nánásiová, Oľga (oponent)
Tato práce se zabývá analýzou shlukovacích a mapovacích metod odvozených z principu neuronového a statistického ucení a teorie rustu. Vybraná vetev biologicky inspirovaných modelu založených na prototypech je analyzována v rámci definicního schématu, který zduraznuje návaznost techto metod na klasické "cisté" statistické koncepty. Jelikož jsou tyto metody široce chápány jako "cerné skrínky" s nepredvídatelným, nejasným a hlavne skrytým chováním, jsou poskytovány príklady prostorových a organizacních vzoru ve ve dvou-dimenzionálním prostoru. Práce navíc predstavuje koncept založený na nelineární negaussovské gompertzovské funkci, která se široce uplatnuje jako univerzální zákon v dynamických rustových modelech, zatím však bez aplikace ve výpocetní inteligenci. Podstata gompertzovské dynamiky je matematicky analyzována a je predstavena nová modifikovaná verze normalizované gompertzovské funkce. Funkce byla rovnež upravena pro potreby umelé výpocetní inteligence, pri níž jsou zkoumány souvislosti s neuronovými sítemi. Z principu Kohenenových samoorganizujících se map a algoritmu neuronového plynu jsou odvozeny a navrženy nové neuronové síte. Úspešnost gompertzovských neuronových sítí byla vyhodnocována na generovaných a reálných datových souborech. Gompertzovské neuronové síte s pevnou mrížkovou, které využívají principu poradí sousedu, vykazují nižší prumerné ctvercové odchylky v porovnání s puvodními algoritmy samoorganizujících se map. Podobne topologicky neomezené gompertzovské síte vykazují nízké úrovne chybovosti porovnatelné s algoritmem neuronového plynu, dále poskytují stabilnejší a méne chybová rešení v porovnání s metodou k-prumeru. Predstavená gompertzovská funkce se ukázala být životaschopným konceptem a efektivním nástrojem ve vícerozmerné analýze.
|
|
|
Source localization for EEG patterns relevant to motor imagery BCI control
Bobrov, P. ; Frolov, A. ; Húsek, Dušan ; Tintěra, J.
This work concerns spatial localization of sources of EEG patterns the most specific for control of the motor imagery based BCI. In our previous work we have shown that performance of Bayesian BCI classifier can be drastically improved by extraction of the most relevant independent components of the EEG signal. This paper presents the results of spatial localization of electrical brain activity sources which activity is reflected by the extracted components. The localization was performed by solving the inverse problem in EEG source localization, using individual finite-element head models. The sources were located in central sulcus (Brodmann area 3a), in the superior regions of post- and precentral gyri, and supplementary motor cortex.
|
|
| |
host ::
RSS.