|
|
AI-based classification of RF signals
Turák, Samuel ; Ulovec, Karel (oponent) ; Polák, Ladislav (vedoucí práce)
This thesis focuses on Deep learning-based radio frequency (RF) signal classification. For this purpose, three neural networks are selected and introduced: Convolutional Neural Network (CNN), Gated Recurrent Unit Network (GRU) and Convolutional Gated Deep Neural Network (CGDNN). All are trained and evaluated on multiple datasets, influenced by different RF impairments, for wireless standard classification. The waveforms in these datasets have been created by the Wireless Waveform Generator app in MATLAB. One publicly available modulation classification dataset is also being tested on the models. The performed approaches of data preprocessing, model training and model evaluation are implemented in the programming environment Python, utilizing libraries such as Scikit-learn and Keras. The obtained results are evaluated and discussed.
|
|
| |
|
|
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.
|
|
|
Automatizovaná tvorba modelů hlubokých neuronových sítí pro klasifikaci obrazu
DOHNAL, Patrik
Tato práce se zabývá návrhem a implementací systému pro automatickou tvorbu modelů hlubokých neuronových sítí (HNS) pro klasifikaci obrazu včetně evaluace výsledků na datových sadách Cifar-10 a Mnist-Fashion. Pro nalezení aproximačně nejlepšího modelu HNS je využito genetického algoritmu. V rámci práce je prozkoumáno několik přístupů k zakódování genetické informace modelů HNS. Dále je popsána řada experimentů s architekturou VGG-16, na jejichž základě je systém implementován. Součástí práce je i popis a řešení mnoha problémů s cyklickým trénováním na grafické kartě pomocí knihovny Tensorflow pro programovací jazyk Python.
|
|
|
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.
|
|
|
Very Low Bit-Rate Speech Coding Based on Neural Networks
Jochman, Stanislav ; Malenovský, Vladimír (oponent) ; Černocký, Jan (vedoucí práce)
During this work, we focused on replicating and enhancing results by using the neural network LPCNet. We compared audio quality from the pre-trained model and our models trained on smaller datasets, thus reducing training time and improving audio quality. We determined that using a language-specific dataset can produce greater results in that specific language than a big general model. We measured the quality of speech of the pre-trained model and our models using WARPQ ranking score 5.2.4. We also examined possibilities of improving audio quality by filtering output audio using output post-filters and formant-enhancing filters. Our results show measurable improvement in audio quality using the suggested methods.
|
|
|
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.
|
|
|
Detekce a rozpoznávání dopravních značek
Číp, Pavel ; Honec, Peter (oponent) ; Horák, Karel (vedoucí práce)
Práce se zabývá diskuzí nad metodami detekce a rozpoznávání dopravních značek v městském i mimoměstkém prostředí. Předpokladem pro realizaci systému je zabudovaná kamera, obvykle ve zpětném zrcátku automobilu, snímající scénu před automobilem. Její obrazová data jsou posléze zpracována připojeným PC, kde dochází k převodu dat na informace a jejich vyhodnocení. O případné nalezené značce je řidič vizuálně či akusticky upozorněn. Úloha vedoucí k úspěšnému cíli je rozdělena do čtyřech samostatných bloků. V první části je předzpracování obrazu jako takového. Pracujeme s barevným obrazem a s využitím znalosti o barevnosti dopravních značek v České republice, lze provést barevnou segmentaci žádaných intervalů. Druhým krokem je detekce geometrických tvarů odpovídajících dopravním značkám v segmentovaných datech. Krokem číslo tři je rozpoznání vnitřního piktogramu a jeho nalezení v databázi. Posledním krokem je vizuální výstup zobrazením nalezené dopravní značky. Práce byla zpracována tak, aby byla zajištěna detekce všech důležitých dopravních značení ve třech základních barevných kombinacích platných dle Ministerstva dopravy České republiky. Výsledkem je zdrojový kód pro program MATLAB.
|
|
|
Soutěže v umělé inteligenci
Šafář, Pavel ; Hynčica, Tomáš (oponent) ; Honzík, Petr (vedoucí práce)
Práce se zabývá oborem umělé inteligence a především soutěžemi, které v tomto oboru probíhají nebo probíhaly. Jedná se o soutěže související s obory robotiky, počítačového vidění, komunikace, predikce časových řad a herních programů. Dále je zkoumáno použití neuronové sítě jako nástroje pro řešení problému piškvorek. Neuronová síť zpracovává dané herní situace a nastavuje hodnoty výstupů podle předem naučených vzorů.
|
host ::
RSS.