Národní úložiště šedé literatury Nalezeno 18 záznamů.  1 - 10další  přejít na záznam: Hledání trvalo 0.01 vteřin. 
Learning with Regularization Networks
Kudová, Petra ; Neruda, Roman (vedoucí práce) ; Andrejková, Gabriela (oponent) ; Hlaváčková-Schindler, Kateřina (oponent)
In this work we study and develop learning algorithms for networks based on regularization theory. In particular, we focus on learning possibilities for a family of regularization networks and radial basis function networks (RBF networks). The framework above the basic algorithm derived from theory is designed. It includes an estimation of a regularization parameter and a kernel function by minimization of cross-validation error. Two composite types of kernel functions are proposed - a sum kernel and a product kernel - in order to deal with heterogenous or large data. Three learning approaches for the RBF networks - the gradient learning, three-step learning, and genetic learning - are discussed. Based on the se, two hybrid approaches are proposed - the four-step learning and the hybrid genetic learning. All learning algorithms for the regularization networks and the RBF networks are studied experimentally and thoroughly compared. We claim that the regularization networks and the RBF networks are comparable in terms of generalization error, but they differ with respect to their model complexity. The regularization network approach usually leads to solutions with higher number of base units, thus, the RBF networks can be used as a 'cheaper' alternative in terms of model size and learning time.
Evoluce chování inteligentních agentů v počítačových hrách
Kadlec, Rudolf ; Kudová, Petra (vedoucí práce) ; Holan, Tomáš (oponent)
In the present work we study evolution of both high-level and low-level behaviour of agents in the environment of the commercial game Unreal Tournament 2004. For optimization of high-level behaviour in Deathmatch and Capture the flag game modes a new functional architecture for description of player's behaviour was designed and implemented. Then a genetic programming technique was used to optimise it. Experiments with both standard evolution schema and with coevolution are presented. In second series of experiments the NEAT algo- rithm was used to evolve low-level missile avoidance behaviour (so called "dodging").
Evoluční algoritmy pro strukturální učení neuronových sítí
Kasík, Pavel ; Neruda, Roman (vedoucí práce) ; Kudová, Petra (oponent)
Návrh topologie neouronových sítí je velmi komplikovaný problém, zejména když opustíme oblast standartních vrstevnatých sítí. Zajímavé řešení tohoto problému nám může poskytnou evoluční algoritmus. Jeden z možných evolucní algoritmů pro evoluci neuronových sítí je algoritmus NEAT. Cílem této práce je modi fikovat a vylepšit schopnosti algoritmu NEAT. Vylepšení jsou zaměřena na využití polohy neuronu ve struktuře sítě, zlepšení křížení a představení možnosti paralelizace algoritmu zachovávající jeho ideje i ideje NEATu.
Řízení mobilního robota
Franěk, Dominik ; Slušný, Stanislav (vedoucí práce) ; Kudová, Petra (oponent)
Cílem této práce je návrh a realizace architektury mobilního robota, schopného autonomní navigace a tvorby mapy, za použití stereoskopické kamery a robotického operačního systému ROS. ** Toto je přidaný text pro doplnění minimální délky pro vložení do informačního systému. **
Evoluční algoritmy pro strukturální učení neuronových sítí
Kasík, Pavel ; Neruda, Roman (vedoucí práce) ; Kudová, Petra (oponent)
Návrh topologie neouronových sítí je velmi komplikovaný problém, zejména když opustíme oblast standartních vrstevnatých sítí. Zajímavé řešení tohoto problému nám může poskytnou evoluční algoritmus. Jeden z možných evolucní algoritmů pro evoluci neuronových sítí je algoritmus NEAT. Cílem této práce je modi fikovat a vylepšit schopnosti algoritmu NEAT. Vylepšení jsou zaměřena na využití polohy neuronu ve struktuře sítě, zlepšení křížení a představení možnosti paralelizace algoritmu zachovávající jeho ideje i ideje NEATu.
Řízení mobilního robota
Franěk, Dominik ; Slušný, Stanislav (vedoucí práce) ; Kudová, Petra (oponent)
Cílem této práce je návrh a realizace architektury mobilního robota, schopného autonomní navigace a tvorby mapy, za použití stereoskopické kamery a robotického operačního systému ROS. ** Toto je přidaný text pro doplnění minimální délky pro vložení do informačního systému. **
Evoluce chování inteligentních agentů v počítačových hrách
Kadlec, Rudolf ; Holan, Tomáš (oponent) ; Kudová, Petra (vedoucí práce)
In the present work we study evolution of both high-level and low-level behaviour of agents in the environment of the commercial game Unreal Tournament 2004. For optimization of high-level behaviour in Deathmatch and Capture the flag game modes a new functional architecture for description of player's behaviour was designed and implemented. Then a genetic programming technique was used to optimise it. Experiments with both standard evolution schema and with coevolution are presented. In second series of experiments the NEAT algo- rithm was used to evolve low-level missile avoidance behaviour (so called "dodging").
Learning with Regularization Networks
Kudová, Petra ; Neruda, Roman (vedoucí práce) ; Andrejková, Gabriela (oponent) ; Hlaváčková-Schindler, Kateřina (oponent)
In this work we study and develop learning algorithms for networks based on regularization theory. In particular, we focus on learning possibilities for a family of regularization networks and radial basis function networks (RBF networks). The framework above the basic algorithm derived from theory is designed. It includes an estimation of a regularization parameter and a kernel function by minimization of cross-validation error. Two composite types of kernel functions are proposed - a sum kernel and a product kernel - in order to deal with heterogenous or large data. Three learning approaches for the RBF networks - the gradient learning, three-step learning, and genetic learning - are discussed. Based on the se, two hybrid approaches are proposed - the four-step learning and the hybrid genetic learning. All learning algorithms for the regularization networks and the RBF networks are studied experimentally and thoroughly compared. We claim that the regularization networks and the RBF networks are comparable in terms of generalization error, but they differ with respect to their model complexity. The regularization network approach usually leads to solutions with higher number of base units, thus, the RBF networks can be used as a 'cheaper' alternative in terms of model size and learning time.
Shluková analýza pomocí genetických algoritmů
Kudová, Petra
V článku se zabýváme možnostmi využití genetických algoritmů v oblasti shlukové analýzy. Navrhneme shlukovací genetický algoritmus, který otestujeme na experimentech. Ukážeme, že shlukovací genetický algoritmus dává v některých případech lepší výsledky než algoritmus k-means a že je schopen za určitých předpokladů najít optimální počet shluků

Národní úložiště šedé literatury : Nalezeno 18 záznamů.   1 - 10další  přejít na záznam:
Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.