|
|
Image Reconstruction in Electrical Impedance Tomography through Multilayer Perceptron
Kouakouo Nomvussi, Serge Ayme ; Mikulka, Jan
This study introduces a novel image reconstruction algorithm designed to excel in challenging scenarios with noisy datasets. Comparative evaluations against established methods, the Total Variation technique and the Gauss-Newton algorithm, are conducted using key performance metrics including the correlation coefficient and structural similarity index. The Results demonstrate that the proposed algorithm displays variable performance in noise-free data compared to Total Variation but consistently outperforms it in the presence of noise. Furthermore, when contrasted with the Gauss-Newton algorithm, the proposed method consistently exhibits superior outcomes, particularly in scenarios involving noisy datasets, where the Gauss-Newton algorithm faces limitations. This study underscores the robustness of the proposed algorithm in noisy conditions, suggesting its potential for applications where accurate image reconstruction is critical.
|
|
|
Automated Representation Learning for Cartesian Genetic Programming Using Neural Networks
Koči, Martin ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
This master's thesis addresses the integration of neural networks and Cartesian Genetic Programming (CGP). It explores the use of neural networks for automated representation creation for CGP and their application to improve the evolutionary process in CGP. The study covers basic concepts of machine learning, including various types of learning and neural network models. It also touches on evolutionary algorithms with an emphasis on their basic principles, general algorithms, and types of representations. This work also includes principles of representation learning and two fundamental architectures for their creation. It describes the subsequent use of representation learning in genetic programming. The solution design includes data acquisition and preprocessing, representation creation processes, and the utilization of the resulting representations. The thesis also implements two new approaches for creating representations for Cartesian genetic programs. It further explores their use in two new mutation operators, where one is based on direct modification of the vector representation and the other on the selection of genes for mutation based on their similarity. The last of the explored areas is predicting the suitability of candidate solutions using newly emerged representations.
|
|
|
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.
|
|
|
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.
|
|
|
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.
|
|
|
Knihovna neuronových sítí s editorem
Rouček, Martin ; Ježek, Pavel (vedoucí práce) ; Pešková, Klára (oponent)
Modely neuronových sítí se častěji s přibývající rychlostí počítačů využívají v desktopových aplikacích. Velmi rozšířenou platformou pro psaní desktopových aplikací je .NET Framework, ale i přesto neexistuje pro platformu .NET Framework knihovna neuronových sítí, která by měla jednoduché API a možnost pracovat s objekty knihovny v grafickém prostředí. Autor si dal za cíl takovou knihovnu vytvořit. Hlavní částí práce je knihovna neuronových sítí GNNL, která se prozatím omezuje na implementaci dvou často používaných modelů neuronových sítí, a to vícevrstvého perceptronu a samoorganizující se mapy spolu s jejich učícími algoritmy zpětného šíření chyby a kompetitivního učení. Grafická podpora knihovny GNNL je tvořena knihovnou GNNLV a editorem neuronových sítí. Knihovna GNNLV obsahuje ovládací prvky, které umožňují pracovat s objekty knihovny GNNL a programátor je může použít ve své vlastní aplikaci. Editor neuronových sítí umožňuje v grafickém prostředí neuronovou síť vytvořit, vycvičit, analyzovat, uložit a následně využít v jiné aplikaci. Text práce se věnuje analýze a popisu implementace knihovny i s její grafickou podporou. Součástí práce je i souhrn teorie neuronových sítí určený pro laiky nebo programátory používající knihovnu GNNL. Práce s knihovnou je předvedena na několika příkladech. Powered by TCPDF...
|
host ::
RSS.