|
|
Radio Modulation Recognition Networks
Pijáčková, Kristýna ; Maršálek, Roman (oponent) ; Götthans, Tomáš (vedoucí práce)
The bachelor thesis is focused on radio modulation classification with a deep learning approach. There are four deep learning architectures presented in the thesis. Three of them use convolutional and recurrent neural networks, and the fourth uses a transformer architecture. The final number of parameters of each model was considered during the design phase, as it can have a big impact on a memory footprint of a deployed model. The architectures were written in Keras, which is a software library, which provides a Python interface for neural networks. The results of the architectures were additionally compared to results from other research papers on this topic.
|
|
|
Klasifikace příkazů z EMG pomocí neuronové sítě
Zauška, Ján ; Šůstek, Martin (oponent) ; Szőke, Igor (vedoucí práce)
Táto práca sa zaoberá klasifikáciou 15 príkazov (krátkych slov) z malej dátovej sady nahranej pomocou sEMG elektród umiestnených na tvári a krku rečníka. V nahrávkach sú rozlíšené dva typy reči - audible speech, čo je klasická reč, a silent speech, teda reč, pri ktorej je potlačené vydávanie zvuku. Práca popisuje spracovanie EMG signálu, extrakciu príznakov, návrh klasifikátoru a výsledky klasifikácie. Ako klasifikátor bola použitá vlastná architektúra konvolučnej neurónovej siete. V práci sa tiež nachádza mnoho experimentov porovnávajúcich presnosť klasifikácie silent a audible speech.
|
|
|
Classification of thorax diseases on chest X-ray images using artificial intelligence
Pijáček, Štěpán ; Mikulec, Marek (oponent) ; Mezina, Anzhelika (vedoucí práce)
This thesis is researching workable solutions to the problem of classification of thorax disease on chest x-ray images using artificial intelligence. For a better understanding of the problem, the first chapters explain the basic convolutional neural network and its advantages and disadvantages. Based on these first explanations, two neural networks which are expanding on the concept of the convolutional neural network are chosen. Those are capsulated network and residual network both explained further in their respective sections with their advantages and disadvantages. Residual network and Capsulated network are implemented using programming language python and framework TensorFlow with Keras library, both with their respective chapters. At the end of this thesis, you can find results and conclusion.
|
|
|
The Use of Artificial Intelligence for Decision Making in the Firm
Volný, Miloš ; Budík, Jan (oponent) ; Dostál, Petr (vedoucí práce)
This thesis is concerned with future trend prediction on capital markets on the basis of neural networks. Usage of convolutional and recurrent neural networks, Elliott wave theory and scalograms for capital market's future trend prediction is discussed. The aim of this thesis is to propose a novel approach to future trend prediction based on Elliott's wave theory. The proposed approach will be based on the principle of classification of chosen patterns from Elliott's theory by the way of convolutional neural network. To this end scalograms of the chosen Elliott patterns will be created through application of continuous wavelet transform on parts of historical time series of price for chosen stocks.
|
|
|
Psaní na počítači pomocí mozkových signálů
Wagner, Lukáš ; Malinka, Kamil (oponent) ; Tinka, Jan (vedoucí práce)
Tato práce se zabývá implementací rozhraní mezi mozkem a počítačem v jazyce Python umožňující psát a komunikovat s použitím zařízení EEG. Práce studuje a hodnotí dosavadní technologie rozhraní mezi mozkem a počítačem pro použití za tímto účelem. Dále se práce zabývá použitím strojového učení, které se v technologii používá, zejména neuronovými sítěmi, jež se prokázaly být jednou z nejpřesnějších metod klasifikace signálu EEG. Následně jsou navrženy a implementovány 3 různé systémy založené na různých paradigmatech vyvolávání změny potenciálu EEG vizuální cestou. Tyto systémy byly na závěr otestovány s různými přístupy ke zpracování signálu. Bohužel žádný ze systémů neuspěl v komunikaci cílových písmen.
|
|
|
Rozpoznávání textu s využitím informace o pisateli
Trněný, Matěj ; Kišš, Martin (oponent) ; Kohút, Jan (vedoucí práce)
Cílem práce je vytvořit neuronovou síť pro rozpoznání textu s využitím informace o pisateli. Pro tento účel byla vybrána metoda adversarial learning. Účinost teto metody byla ověřena experimentálně. Vytvořená síť by měla díky použité metodě adversarial learning dosahovat lepších výsledků na datech, která nejsou podobná datům obsaženým v trénovací sadě oproti stávající metodě single-task learning. Výsledná síť dosažená pomocí uvedené metody byla porovnána se současnou metodou rozpoznávání textu metodou single-task learning a multi-task learning. Síť implementující single-task learning dosahuje průměrné chyby při rozpoznávání znaku 7, 995%, síť implementující multi-task learning dosahuje průměrné chyby 7, 565% v porovnání se sítí využívající adversarial learning, která dosahuje úspěšnosti 7, 573%. V porovnání single-task learning dosahuje multi-task learning 5, 38% zlepšení a adversarial learning 5, 28%.
|
|
|
Face Liveness Detection Using a 2D Camera
Valo, Ondrej ; Drahanský, Martin (oponent) ; Goldmann, Tomáš (vedoucí práce)
Facial recognition is one of the most socially accepted forms of biometric recognition. The recent availability of highly accurate and efficient face recognition algorithms leaves vulnerability to presentation attacks as a major challenge for face recognition solutions. This work deals with the explanation of the issues related to the detection of facial liveliness, which will help to understand the various possibilities of attack and their relationship to existing solutions. And the implementation of an algorithm that recognizes the liveliness of the face based on videos.
|
|
|
Person Identification and Verification Using EEG
Žitný, Roland ; Orság, Filip (oponent) ; Tinka, Jan (vedoucí práce)
The aim of this work was to create a brain-computer interface that reliably identifies and verifies a person using his electroencephalographic signals. Creating a user profile and verifying it is based on processing reactions to his own face, and the face of strangers or acquaintances. Algorithms such as bandpass and noise removal using wavelet transformation are user to filter signals. The classification of reactions is performed using a convolutional neural network or linear discriminant analysis. The average accuracy of the linear discriminant analysis is 66.2 % and of the convolutional neural network is 58.7 %. The maximum achieved accuracy was with linear discriminant analysis and at 93.7 %.
|
|
|
Detekce významných událostí v systémech využívajících princip fázových OTDR
Makówka, David ; Petyovský, Petr (oponent) ; Valach, Soběslav (vedoucí práce)
Diplomová práce se zabývá návrhem, implementací a testováním systému klasifikujícího události snímané optickým vláknem podél perimetru střežených objektů. V teoretické části jsou objasněny fyzikální principy, základní struktury měřících systémů, metody měření, formát dat, způsoby předzpracování a klasifikace konvolučními neuronovými sítěmi. Praktická část popisuje implementaci softwaru pro učení a testování konvolučních neuronových sítí, proces extrahování vzorků z naměřených dat, jejich anotaci a převod do formátu požadovaného neuronovou sítí. Jsou prezentovány výsledky analýzy snímaných dat a výsledky dosažené úrovně klasifikace konvolučními neuronovými sítěmi jak při zpracování naměřených datasetů, tak při nasazení hotového klasifikátoru na systém pracující v reálném čase.
|
|
|
Posilované učení pro hru typu Bomberman
Adamčiak, Jakub ; Beran, Vítězslav (oponent) ; Hradiš, Michal (vedoucí práce)
Cieľom tejto bakalárksej práce je návrh, implementácia a trénovanie modelov posilňovaného učenia na hru typu Bomberman. Je postavená na prostredí Bomberland od firmy CoderOne. Toto prostredie bolo vyvinuté za účelom vzdelávania a výskumu v odvetí umelej inteligencie. V tejto práci rozoberám rôzne nastavenia a problémy s implementovaním agenta do prostredia. Vyskúšal som 2 politiky (MLP a CNN), 2 algoritmy (PPO a A2C) a 5 druhov neurónových sietí pre extrakciu vlastností za pomoci knižníc stable baselines 3 a pytorch. Celkový čas trénovania týchto modelov bol dokopy 1207 reálnych hodín, 4168 strojových hodín a 271 miliónov herných krokov. Aj keď bolo trénovanie neúspešné, táto práca ukazuje proces implementácie modelu posilňovaného učenia do prostredia Gym.
|
host ::
RSS.