|
| |
|
|
Implementace a praktické ověření metod pro prediktivní identifikaci poruch valivých ložisek
Bár, Martin ; Havránek, Zdeněk (oponent) ; Klusáček, Stanislav (vedoucí práce)
Cílem diplomové práce je identifikovat a klasifikovat poruchy valivých ložisek. První část práce se zabývá diagnostikou ložisek s využitím vlastních naměřených dat. Byla poškozena dvě ložiska. První bylo poškozeno deformací a korozí. U druhého ložiska bylo uměle vytvořeno poškození vnější dráhy. Vibrace z běhu ložisek byly periodicky sbírány a poté zpracovány v MATLABu. Hodnoty statistických indikátorů naznačovaly poškození u obou ložisek. Obálková analýza odhalila u obou ložisek vývoj závady na vnějším kroužku a také postupný vývoj závady na kleci. V druhé části práce byly použity metody strojového učení ke klasifikaci závady na datech z databáze CWRU. Data z akcelerometru byla rozdělena dvěma způsoby do bloků. Pro 2D konvoluční síť byly z bloků vytvořeny vibrační obrázky. Nejlepší přesnosti predikce dosahovala 1D konvoluční neuronová síť (1DCNN) (99,2 %), z klasických metod strojového učení poté neuronová sít (94,6 %) a SVM (94,4 %). Na zmenšování trénovacích dat je nejodolnější metoda Random Forest a SVM, z konvolučních sítí poté MATLAB architektura a 1DCNN. Proti přidanému šumu je nejodolnější metoda Random Forest a neuronová síť, z konvolučních sítí poté 1DCNN. Pro silně zašuměná data jsou lepší klasické metody využívající statistické příznaky. Konvoluční sítě nedosahují dobré přesnosti, pravděpodobně kvůli transformaci surových dat z akcelerometru do vibračních obrázků.
|
|
|
Optimization of a Deep Neural Network Label Encoding in a Multi-Label Problem.
Zaťko, Martin ; Novotná, Petra (oponent) ; Hejč, Jakub (vedoucí práce)
The aim of the diploma thesis is to propose a method of deep learning for the classification of arrhythmias from ECG recordings and to compare the effect of coding its outputs on the overall quality of the model. A 1D convolutional neural network was selected and methods of label coding using one-hot coding, ordinal coding, the method using an autoencoder and the word embbeding method were tested and compared on it. The obtained results show that the use of the word embbeding method can increase the classification capacity of the proposed network.
|
|
|
Lokalizace srdečních arytmií v EKG s využitím hlubokého učení
Khaliullina, Sabina ; Novotná, Petra (oponent) ; Ronzhina, Marina (vedoucí práce)
Diplomová práce se věnuje klasifikaci a lokalizaci atriální fibrilace síní. V jazyce Python byla implementována metoda detekce využívající konvoluční neuronové sítě s multi-instančním učením (MIL) a metoda detekce lokálních maxim pro nález lokalizace. Byly vvužity segmnety ze dvou svodů EKG. Při binární klasifikaci za použitím první podmnožiny a následného post zpracování dosáhlo F1 skóre 100\%, při klasifikaci za použitím druhé podmnožiny - 92\%. V diskusi a závěru práce byla zhodnocena úspěšnost klasifikace a lokalizace, dosažené výsledky byly diskutovány a porovnány s výsledky jiných autorů.
|
|
| |
|
|
Personální diagnostika-metody hodnocení stávajících i potencionálních zaměstnanců
Rýdlová, Michaela ; Šnýdrová, Ivana (vedoucí práce) ; Eger, Ludvík (oponent)
Tato práce je zaměřena na personální diagnostiku. Chápe ji jako nástroj, který pomáhá organizaci vybrat nejvhodnější zaměstnance, porovnat reálný osobnostní profil uchazeče nebo zaměstnance s ideálním profilem obsazované pozice a posuzovat potenciál, který má organizace ve svých zaměstnancích. Zaměřuje se na metody personální diagnostiky. Ke klasifikaci diagnostických metod používá dělení podle Mojmíra Svobody (2005). Soustřeďuje se na dvě skupiny psychodiagnostických metod, které jsou využitelné v oblasti personalistiky. Jedná se o klinické a testové metody. Jsou uvedeny charakteristiky všech podskupin této klasifikace. V práci jsou popsány i další diagnostické metody, které se využívají v personální praxi nejčastěji. Práce si klade za cíl detailněji se zaměřit a popsat ty metody, které mohou být využitelné v praxi i personalisty bez vysokoškolského vzdělání v oboru psychologie, případně personalisty bez delší praxe. Pro tyto účely jsou podrobně rozpracovány metody rozhovor, Tematicko-apercepční karty podle Evangelu, Myers-Briggs Type Indicator (MBTI) a technika balíčku personálních karet podle Evangelu. Kromě popisu těchto metod jsou uvedeny vždy doporučení pro jejich používání v praxi. Na závěr se autorka zamýšlí nad současným stavem využívání personální diagnostiky ve firemní praxi a nad...
|
|
|
Využití hyperspektrálních dat k detekci a klasifikaci vybraných antropogenních materiálů
Novotná, Kateřina ; Kupková, Lucie (vedoucí práce) ; Batistová, Jana (oponent)
Práce se zabývá možnostmi využití hyperspektrálních dat senzorů APEX a AISA k detekci a klasifikaci antropogenních materiálů v území Čáslavi, Rokytnice nad Jizerou a Harrachova. Hlavním cílem práce bylo navrhnout metodiku detekce a klasifikace střešních krytin a pokryvů komunikací na základě vytvořených spektrálních knihoven. Dalším cílem bylo zhodnotit možnosti využitelnosti spektrálních knihoven pro klasifikaci, porovnat možnosti hyperspektrálních dat s větším a menším spektrálním rozsahem a vytvořit mapy sledovaných antropogenních materiálů. V metodické části je popsán postup zpracování, zahrnující vytvoření masek antropogenních materiálů pro komunikace a střešní krytiny, nastavení parametrů čtyř vybraných klasifikačních algoritmů (Linear Spectral Unmixing, Multiple Endmember Mixture Analysis, Spectral Angle Mapper, Spectral Information Divergence) a zhodnocení přesnosti klasifikace. Výsledky jsou vizualizovány a zhodnoceny z hlediska vypočtené celkové přesnosti klasifikace a celkového podílu klasifikovaných pixelů. Na závěr jsou dosažené výsledky porovnány s existujícími studiemi a jsou uvedena možná vylepšení pro pokračování práce na tomto tématu. Powered by TCPDF (www.tcpdf.org)
|
|
|
Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších
Andrštová, Martina ; Kupková, Lucie (vedoucí práce) ; Potůčková, Markéta (oponent)
Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších ABSTRAKT Diplomová práce je součástí projektu HyMountEcos, který se zabývá komplexním hodnocením ekosystémů v Krkonošském národním parku s využitím hyperspektrálních dat. Zájmovým územím je oblast alpínského bezlesí v Krkonošském národním parku (krkonošská tundra). Cílem práce bylo vytvoření podrobné metodiky klasifikace vegetačního pokryvu z hyperspektrálních dat senzoru AISA DUAL a APEX, nalezení klasifikátoru, který zlepší přesnost klasifikace oproti údajům z literatury, a porovnání přesností dosažených pomocí těchto dvou typů dat. Na data bylo aplikováno několik klasifikačních algoritmů (Spectral Angle Mapper, Linear Spectral Unmixing, Support Vector Machine, MESMA a Neural Net), výsledky klasifikací byly v následujícím kroku statisticky vyhodnoceny a porovnány. Jako nejpřesnější byla vyhodnocena metoda Neural Net, která poskytuje nejpřesnější výsledky pro data APEX (celková přesnost 96 %, Kappa koeficient 0,95) i AISA DUAL (celková přesnost 90 %, Kappa koeficient 0,88). Výsledná přesnost klasifikace (celková i pro některé třídy) dosáhla lepších výsledků, než jsou zmiňovány v literatuře Výstupem práce jsou také mapy vegetace alpínského bezlesí zpracované na žádost Správy Krkonošského národního parku, které budou...
|
|
|
Mapování vybraných druhů hornin vrcholových partií Krkonoš s využitím laboratorní a obrazové spektroskopie
Kubečková, Jana ; Kupková, Lucie (vedoucí práce) ; Potůčková, Markéta (oponent)
Mapování vybraných druhů hornin vrcholových partií Krkonoš s využitím laboratorní a obrazové spektrosokopie Abstrakt Tato práce se zabývá geologickým mapováním vrcholových partiích Krkonoš. Byla hodnocena čtyři zájmová území - v západní části Krkonoš se jedná o oblast Vysokého kola a Harrachových kamenů a ve východní části se jedná o oblast Sněžky a oblast Kozích hřbetů. Hlavním zdrojem dat jsou letecká hyperspektrální data pořízená senzorem APEX, dále byla využita pozemní měření spekter kamenných moří a geologických výchozů a laboratorní měření spekter jednotlivých v terénu nasbíraných vzorků hornin a lišejníků. Praktická část je zaměřena na klasifikaci hornin a lišejníků ve vybraných oblastech pomocí čtyř klasifikačních metod: SAM, SID, MESMA a LSU. Součástí práce je také vytvoření unikátní spektrální knihovny pro sledované oblasti která obsahuje jak spektra čistých hornin, tak spektra hornin smísených v různém poměru s lišejníky. Výstupem práce je porovnání přesnosti jednotlivých použitých klasifikačních metod, zhodnocení vlivu lišejníků na výsledky klasifikace, zmíněná spektrální knihovna a mapy výskytu klasifikovaných hornin v zájmových územích. Klíčová slova: klasifikace, kamenná moře, hyperspektrální data, spektrální mísení, lišejníky, Krkonoše
|
|
| |
host ::
RSS.