|
|
Moderní řečové příznaky používané při diagnóze chorob
Bílý, Ondřej ; Smékal, Zdeněk (oponent) ; Mekyska, Jiří (vedoucí práce)
Tato práce se zabývá diagnózou Parkinsonovy choroby na základě analýzy řečového signálu. Na začátku práce je popsána tvorba řečového signálu. Následuje popis analýzy řečového signálu, jeho předzpracování a následná extrakce příznaků. Dále je popsána Parkinsonova choroba a změna řečového signálu při tomto postižení. V následující části jsou popsány příznaky, které se používají pro diagnózu Parkinsonovy choroby (FCR, VSA, VOT atd.). Další část práce se zabývá metodami redukce a výběru příznaků pomocí učících se algoritmů (SVM, ANN, k-NN) a jejich následné ohodnocení. V poslední části diplomové práce je popsán vytvořený program pro počítání příznaků. Dále je popsán výběr příznaků a na konec jsou zhodnoceny všechny dosažené výsledky.
|
|
|
Rozpoznávání a klasifikace emocí na základě analýzy řeči
Černý, Lukáš ; Atassi, Hicham (oponent) ; Smékal, Zdeněk (vedoucí práce)
Diplomová práce se soustředí na klasifikaci emocí. Práce pojednává o parametrizaci zvukových souborů pomoci segmentálních a suprasegmentálních metod s ohledem na jejich další použití. Tato databáze obsahuje mnoho zvukových nahrávek s emocemi. Z těchto zvukových nahrávek jsou vytvořeny data, které jsou rozděleny do dvou částí. První část je použita pro trénik a druhá pro klasifikaci. Práce je soustředěna hlavně na samoorganizující sítě. Tato práce obsahuje programy v Matlabu, které mohou být použity pro parametrizaci jakékoliv databáze. Parametrizovaná data jsou předložena samoorganizující síťi ke klasifikaci. Dosažené výsledky jsou prezentovány na konci diplomové práce.
|
|
|
Síťový prvek s pokročilým řízením
Zedníček, Petr ; Kacálek, Jan (oponent) ; Škorpil, Vladislav (vedoucí práce)
Diplomová práce se zabývá hledáním a testováním neuronových sítí, jejichž vlastnosti a parametry se hodí pro řízení aktivního síťového prvku. Řeší optimalizační úlohu prioritního přepojování datových jednotek ze vstupu na výstup. Práce je zaměřena z velké části na využití Hopfieldovy a Kohonenovy sítě a jejich optimalizaci. Výsledkem práce jsou dva modely. První je řešen teoreticky v programu Matlab, kde se vzájemně porovnávají teoretické výsledky neuronových sítí. Druhým modelem je reálný model aktivního prvku navrženým v programu Simulink.
|
|
|
Optimalizace řízení aktivního síťového prvku
Přecechtěl, Roman ; Kacálek, Jan (oponent) ; Škorpil, Vladislav (vedoucí práce)
Práce se zabývá problematikou užití neuronových sítí pro řízení telekomunikačních sítových prvků. Cílem této práce je vytvoření simulačního modelu sítového prvku se spojovacím polem s pamětí, u kterého je optimalizace řízení spojovacího pole řešena pomocí neuronové sítě. Celý programový kód je vytvořen v integrovaném prostředí MATLAB. Pro trénování jsou použity dopředné neuronové sítě. Nepodařilo se dosáhnout uspokojujícího výsledku chyby směrování. Práce vystihuje postup řešení daného problému a je možné na ni navázat ve snaze najít optimálnější řešení.
|
|
|
Návrh algoritmů pro neuronové sítě řídicí síťový prvek
Stískal, Břetislav ; Kacálek, Jan (oponent) ; Škorpil, Vladislav (vedoucí práce)
V teoretické části této práce se uvádí základní informace o historii a vývoji umělých neuronových sítí (UNS) z minulého období až po dnešek. Praktická část podává důkazy předpokladů zmiňovaných v teoretické části této práce, např. znázornění učení, trénování jednotlivých typů neurónových sítí na různých praktických úkolech, jejich následná simulace a vynesení poznání a závěrů z těchto simulací. Cílem je simulování aktivního prvku v síti, řízeného pomocí umělé inteligence. Tedy učení (trénování) neuronové sítě a její následná simulace pro řízení přepínače. V práci je uveden a popsán algoritmus směrování pomocí Hopfieldovy sítě založeném na typickém problému obchodního cestujícího. Následuje nastínění optimalizačních problémů a jejich řešení, porovnání s dalšími typy rekurentních (zpětnovazebních) sítí (Elman a Layer Recurrent) jejich hlavní rozdíly, způsoby optimalizace, výhody a nevýhody. Z poznatků této práce, je uveden návrh dalšího řešení řízení pomocí neuronových sítí do budoucna.
|
|
|
Modelování a simulace v oblasti odpadového hospodářství
Pařízková, Iva ; Popela, Pavel (oponent) ; Touš, Michal (vedoucí práce)
Bakalářská práce se zabývá aplikací vícevrstevné perceptronové sítě v modelech technologie zařízení pro energetické využití odpadu (ZEVO). Jedná se konkrétně o modely pro množství páry vyrobené v kotlích a množství páry odebírané externím subjektem. Nejprve je uvedena základní teorie k neuronovým sítím, následována popisem k modulu Neuronové sítě v programu STATISTICA, pomocí kterého byly tvořeny modely v praktické části. Další část práce je věnována rozboru vzniklých modelů. Jedná se zejména o analýzu vlivu vstupních faktorů, porovnání neuronové sítě a lineární regrese, důvody zvolení složitějšího modelu neuronové sítě a samozřejmě popisu výsledného modelu neuronových sítí. V neposlední řadě byl v rámci této práce vytvořen program pro implentaci neuronové sítě do prostředí Visual Basic of Application (VBA). Po úpravě syntaxe je však použitelný pro implementaci do libovolného programovacího jazyka.
|
|
|
Suitability Assessment of Learning for Heuristic Adaptive Control of Drives
Kerek, Milan ; Krejsa, Jiří (oponent) ; Březina, Tomáš (vedoucí práce)
The bachelor thesis is aimed to explore the possibilities of using artificial neural network in order to controll nonlinear dynamic systems. In addition the document shows the options to combine neural controllers with linear controllers, such as PID regulator, state space regulator with compensation error. Simulation models were designed in environment of Matlab/Simulink. Neural networks were exploit with the help of Neural Network Toolbox-u. Designed regulators were tested on regulating angular velocity of nonlinear system of 2nd order – wound DC motor.
|
|
|
Srovnání účinnosti simulačních metod při učení umělých neuronových sítí a inverzní analýze
Nezval, Michal ; Novák, Drahomír (oponent) ; Lehký, David (vedoucí práce)
Předkládaná práce se zabývá inverzní analýzou založenou na kombinaci umělých neuronových sítí a stochastických metod. Cílem je porovnat účinnost nové simulační metody Hierarchical Subset Latin Hypercube Sampling s klasickou metodou Monte Carlo a standardní metodou Latin Hypecube Sampling při učení neuronových sítí. Účinnost je porovnána pro různě složité neuronové sítě. Inverzní analýza je aplikována při identifikaci parametrů inženýrských úloh, což je demonstrováno na funkci poruchy rámu šikmé střechy a určení materiálových charakteristik u tříbodového ohybu. Na závěr práce je diskutována otázka, zda je metoda Hierarchical Subset Latin Hypercube alespoň stejně výkonná jako další dvě stochastické metody.
|
|
| |
|
|
Umělé neuronové sítě pro učení robotů
Sovka, Michal ; Jirků, Petr (vedoucí práce) ; Berka, Petr (oponent)
Cílem této bakalářské práce je pochopit, popsat a vysvětlit základní principy a elementy využívané v učení robotů s využitím umělých neuronových sítí. Nejdříve se zaměřuji na roboty obecně a jejich základní funkční celky. Posléze je zavádím do teorie učení aplikované do reálného prostředí. Nervová soustava se v této práci stává centrálním zamyšlením nad teorií učení s využitím umělé neuronové sítě. Za velmi důležité pro pochopení umělého neuronu a umělých neuronových sítí jako celek považuji biologický neuron a jeho synapse. Proto se jim věnuji s potřebnou důkladností. Po úvodu do umělých neuronových sítí se věnuji pouze jedné jejich skupině plně využívané v robotice. Na závěr demonstruji funkci Kohonenova typu umělé neuronové sítě využívaného v robotice, a to na aplikaci vyvinuté na jednom zahraničním vysokoškolském pracovišti. Přínos práce vidím ve vytvoření komplexního textu zaměřeného jak na základní elementy robotů, tak i na umělé neuronové sítě a jejich neurobiologický předpoklad. Práci pak mohou využít ke studiu zájemci v širším přístupu k inteligentní robotice.
|
host ::
RSS.