|
Návrh signálů pro modelování nelineárních systémů
Kuba, Michael ; Ištvánek, Matěj (oponent) ; Miklánek, Štěpán (vedoucí práce)
Diplomová práce se zabývá trénovacími signály pro modelování nelineárních systémů pomocí hlubokého učení. Je zde popsán teoretický úvod k této problematice včetně úvodního popisu signálů a nelineárních zvukových zkreslovacích efektů. Cílem práce je navržení sady umělých trénovacích signálů, které mají sloužit k vytvoření modelů zkreslovacích kytarových efektů nebo elektronkových kytarových zesilovačů. Navržená sada umělých trénovacích signálů je poté zpracována kytarovými a baskytarovými efekty a pomocí rekurentní neuronové sítě jsou natrénovány jejich modely. Kvalita výsledných modelů je následně srovnána s kvalitou modelů vytvořených pomocí referenčního trénovacího signálu, složeného ze záznamů hry na elektrickou kytaru, a signálů z komerčně dostupných zařízení. Srovnání je provedeno dle objektivních metrik a subjektivního hodnocení pomocí poslechového testu MUSHRA.
|
|
Neuronové sítě využité v autonomních vozidlech
Ryšavý, Jan ; Píštěk, Václav (oponent) ; Kučera, Pavel (vedoucí práce)
Bakalářská práce se zabývá využitím neuronových sítí v autonomních vozidlech. První část práce představuje základní principy neuronových sítí a metody učení, které jsou využívány v autonomních vozidlech. Dále práce popisuje architekturu a funkce neuronových sítí. V druhé části práce jsou také popsány různé typy autonomních vozidel, jejich dělení a přehled senzorů, které autonomní vozidla využívají. Poslední část práce se zabývá implementací neuronových sítí do ECU pomocí programových jazyků a knihoven a dále aplikacemi, jako jsou například detekce objektů nebo rozpoznávání značek.
|
|
Pokročilé hodnocení kvality spánku
Benáček, Petr ; Ředina, Richard (oponent) ; Filipenská, Marina (vedoucí práce)
Tato diplomová práce se zabývá hodnocením kvality spánku pomocí moderních metod hlubokého učení. V práci jsou popsány metriky automatické klasifikace spánkových fází. Je zde diskutována vybraná databáze spánkových dat. Vzhledem k nízkému počtu dat ve fázi bdění jsou popsány a provedeny různé způsoby augumentace dat. Základem pro klasifikaci jsou modely založené na 1D konvolučních sítích. Výsledkem jsou připravené modely pro binární klasifikaci a klasifikaci 3 a 4 fází spánku. Nakonec jsou pomocí těchto modelů vypočítány metriky hodnotící kvalitu spánku a výsledky jsou srovnány s literaturou.
|
|
Vícevrstvá neuronová síť
Kačer, Petr ; Klusáček, Jan (oponent) ; Jirsík, Václav (vedoucí práce)
Bakalářská práce popisuje základy problematiky vícevrstvých neuronových sítí a vysvětluje princip fungování algoritmu backpropagation. Další část práce se zabývá vývojem programu pro učení a testování vícevrstvých neuronových sítí a popisem jeho grafického uživatelského rozhraní a principu ovládání. Poslední část práce je věnována výukovým příkladům a praktickým ukázkám využití vícevrstvé neuronové sítě.
|
| |
|
Akcelerace neuronových sítí s využitím GPU
Šimíček, Ondřej ; Jaroš, Jiří (oponent) ; Petrlík, Jiří (vedoucí práce)
Tato práce se zabývá využitím grafických čipů pro akceleraci neuronových sítí s učením typu backpropagation. Pro řešení tohoto problému byla zvolena technologie OpenCL umožňující využít grafické čipy různých výrobců. Hlavním cílem práce byla akcelerace časově náročného procesu učení sítí a procesu klasifikace. Zrychlení bylo docíleno trénováním velkého množství neuronových sítí současně. Získané zrychlení bylo využito pro nalezení vhodné topologie a nastavení neuronové sítě pro zadanou úlohu pomocí genetického algoritmu.
|
|
Analýza scény založená na 2D obrazech
Hejtmánek, Martin ; Drahanský, Martin (oponent) ; Orság, Filip (vedoucí práce)
Tato práce se zabývá analýzou povrchu objektů v jednoduché scéně reprezentované dvourozměrným obrazem. Shrnuje běžně používané metody v tomto oboru informačních technologií a popisuje jejich výhody a nevýhody. Na základě získaných znalostí a zkušeností představuje vlastní návrh algoritmu pro analýzu povrchu objektů založený na světelné informaci. Obsahuje podrobný popis algoritmu implementovaného v rámci této práce a diskutuje výsledky provedených experimentů. Na základě zkušeností s implementovaným algoritmem navrhuje možné předpoklady pro jeho další vylepšení.
|
|
Využití autoenkodérů pro tvorbu hlubokých sítí
Lohniský, Michal ; Veselý, Karel (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá předtrénováním hlubokých sítí autoenkodéry. V prvních kapitolách jsou popsány prvky neuronové sítě. Další kapitoly jsou věnovány trénování hlubokých sítí a výsledkům, ve kterých je porovnáváno předtrénování autoenkodéry a algoritmus Backpropagation. Z výsledků experimentů na dvou datasetech vyplývá, že předtrénování autoenkodéry má kladný přínos, zvláště v kombinaci s Finetuningem.
|
|
Adaptivní regulátory s principy umělé inteligence a jejich porovnání s klasickými metodami identifikace
Vaňková, Tereza ; Dokoupil, Jakub (oponent) ; Pivoňka, Petr (vedoucí práce)
Diplomová práce je zaměřená na adaptivní regulátory. V teoretické části je především popsána parametrická identifikace, která patří k nejdůležitější části struktury adaptivního regulátoru. Nejdříve jsou zmíněny klasické identifikační metody (rekurzivní metody nejmenších čtverců) a dále jsou uvedeny identifikační metody na bázi neuronových sítí (algoritmus Marquardt-Levenberg a nový identifikační algoritmus NIA, který je inspirovaný neuronovými sítěmi). Na závěr teoretické části je zmíněn algoritmus nastavování adaptivních regulátorů z identifikovaných parametrů procesu (modifikovaná Z-N metoda) a používané adaptivní regulátory. V druhé praktické části jsou uvedeny konkrétní výsledky, které byly získány při ověřování uvedených algoritmů adaptivních regulátorů na simulačních a reálných modelech. Na závěr jsou výsledky srovnány s pevně nastaveným diskrétním regulátorem a adaptivním regulátorem firmy B&R.
|
|
Chatbot postavený na umělých neuronových sítích
Červíček, Petr ; Novotný, Ondřej (oponent) ; Szőke, Igor (vedoucí práce)
Bakalářská práce se zabývá implementací chatbota pomocí neuronových sítí. Využívá Long short term memory networks, které slouží k zapamatování dlouhodobých závislostí. Chatbot byl implementován v jazyce Python s nadstavbou Keras a je založen na principu sequence-to-sequence. Po implementaci byl chatbot testován pomocí metriky BLEU a dále předložen několika uživatelům ke konverzování. Pro lepší pochopení chatbotů je v této bakalářské práci taktéž popsána historie chatbotů a dán jednoduchý popis použitých technologií.
|