|
|
Detekce hran pomocí neuronové sítě
Janda, Miloš ; Žák, Pavel (oponent) ; Švub, Miroslav (vedoucí práce)
Hlavní náplní této práce je popis a implementace metod detekce hran pomocí neuronové sítě, které jsou náhradou klasických metod detekce hran pomocí hranových detektorů. V prvních kapitolách je obecně diskutována problematika zpracování obrazu, detekce hran a neuronových sítí. Cílem hlavní části je návrh procesu generování syntetických obrazů, extrakce dat a představení variant vhodných topologií neuronových sítí pro účely detekce hran v obraze. Závěr práce je pak věnován vyhodnocení úspěšnosti detekce hran.
|
|
|
Detekce hran pomocí neuronové sítě
Křepský, Jan ; Grézl, František (oponent) ; Švub, Miroslav (vedoucí práce)
Využití umělých neuronových sítí v digitálním zpracování obrazu není žádnou novinkou. Předmětem této práce je navrhnout a implementovat hranový detektor na bázi neuronové sítě, zjistit, jak moc je použití tohoto přístupu vhodné právě pro detekci hran v obraze a porovnat dosažené výsledky s běžnými detektory. V teoretické části popisuje některé metody předzpracování obrazu, klasického přístupu k detekci hran, jejich ztenčování a dává základ pro pochopení problematiky umělých neuronových sítí.
|
|
|
Detekce Elliotových vln
Kaleta, Marek ; Šperka, Svatopluk (oponent) ; Petřík, Patrik (vedoucí práce)
Práce se zabývá detekcí Elliottových vln, statistického nástroje k popisu a předvídání trhu. Práce obsahuje návrhy možných metod jejich detekce a jejich zhodnocení. Z možných metod je pak rozpracována detekce impulsů pomocí umělých neuronových sítí, konkrétně množiny vícevrstvých perceptronů zapojených do jednoduché committee machine. Výstupem práce je program detekující Elliottovy vlny. Program hledá vlny přímo na vstupní časové řadě pomocí neuronových sítí a pak na tvoří hierarchickou strukturu vln.
|
|
|
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.
|
|
|
Porovnání knihoven pro práci s umělými neuronovými sítěmi
Dohnal, Zdeněk ; Zbořil, František (oponent) ; Dalecký, Štěpán (vedoucí práce)
Práce se zabývá porovnáním knihoven pro práci umělými neuronovými sítěmi. Je vysvětlena základní teorie neuronu, neuronových sítí a jejich učení. Pro experimenty je vybrán vícevrstvý perceptron, Kohonenova síť a Hopfieldova síť. Následně jsou zvolena kritéria porovnávání jako je licence, komunita nebo poslední aktualizace, a pro experimenty jsou vybrány úlohy aproximace funkce pro vícevrstvý perceptron, asociace pro Hopfieldovu síť a shlukování pro Kohonenovu síť. Následně jsou implementovány programy s využitím daných knihoven. Závěrem je porovnání výsledků experimentů a kritérií.
|
|
|
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.
|
|
|
Genetické programování v úlohách predikce
Machač, Michal ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
V této práci jsou představeny různé metody strojového učení, jež lze využít v úlohách predikce založených na regresi. Detailněji je popsáno stromové a lineární genetické programování. S vybranými algoritmy strojového učení (lineární regrese, náhodný les, vícevrstvý perceptron a stromové genetické programování) jsou provedeny experimenty na volně dostupných datových sadách za využití knihoven scikit-learn a gplearn, a získané výsledky jsou porovnány z pohledu kvality predikce. Stěžejní částí této práce byla implementace systému lineárního genetického programování v programovacím jazyce C++, která byla nejprve testována na umělých úlohách symbolické regrese, a následně na reálných datových sadách. Výsledky získané pomocí vytvořené implementace jsou porovnány vůči výsledkům získaným pomocí knihovny gplearn.
|
|
|
Rekurentní neuronové sítě v počítačovém vidění
Křepský, Jan ; Řezníček, Ivo (oponent) ; Španěl, Michal (vedoucí práce)
Práce se zabývá využitím rekurentních neuronových sítí v oblasti počítačového vidění. V teoretické části jsou popsány základní poznatky o umělých neuronových sítích se zaměřením na rekurentní architektury. Dále jsou zde prezentovány některé z jejich možných aplikací a nasazení při řešení reálných problémů. Praktická část práce je věnována rozpoznávání obličejů ze sekvence snímků pomocí Elmanovy jednoduché rekurentní sítě. K učení jsou použity algoritmy backpropagation a backpropagation through time.
|
|
|
Rozpoznání textu s využitím neuronových sítí
Peřinová, Barbora ; Hesko, Branislav (oponent) ; Mézl, Martin (vedoucí práce)
Tato diplomová práce se zabývá rozpoznáváním textu v obraze. V první části práce jsou popsány základní typy úloh rozpoznání textu a rozdělení algoritmu na jednotlivé fáze. Pro každou fázi jsou v následující části popsány nejpoužívanější metody. V rámci fáze rozpoznávání znaků je vysvětlena problematika umělých neuronových sítí a jejich využití v této fázi, konkrétně vícevrstvého perceptronu a konvolučních neuronových sítí. Druhá část se zabývá definicí požadavků na konkrétní aplikaci využitelnou jako zpětná vazba pro robotický systém. Je představena implementace algoritmu v .NET využívající konvoluční neuronové sítě a knihovnu CNTK pro hluboké učení. V neposlední řadě jsou diskutovány výsledky testování jednotlivých fází navrženého řešení a porovnány s volně dostupnou technikou Tesseract.
|
|
|
Genetické programování v úlohách predikce
Machač, Michal ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
V této práci jsou představeny různé metody strojového učení, jež lze využít v úlohách predikce založených na regresi. Detailněji je popsáno stromové a lineární genetické programování. S vybranými algoritmy strojového učení (lineární regrese, náhodný les, vícevrstvý perceptron a stromové genetické programování) jsou provedeny experimenty na volně dostupných datových sadách za využití knihoven scikit-learn a gplearn, a získané výsledky jsou porovnány z pohledu kvality predikce. Stěžejní částí této práce byla implementace systému lineárního genetického programování v programovacím jazyce C++, která byla nejprve testována na umělých úlohách symbolické regrese, a následně na reálných datových sadách. Výsledky získané pomocí vytvořené implementace jsou porovnány vůči výsledkům získaným pomocí knihovny gplearn.
|
host ::
RSS.