|
|
Rozpoznávání řeči (číslice)
Kantar, Martin ; Minář, Petr (oponent) ; Matoušek, Radomil (vedoucí práce)
V bakalářské práci vysvětluji, jak samotná řeč vypadá a co jí ovlivňuje. Zmiňuji zde nejčastěji používané metody, kterými si řečové signály můžeme připravit pro rozpoznávání. Na názorných příkladech ukazuji, na jakých principech dnešní rozpoznávače řeči pracují, jaké mají výhody a nevýhody. Pro metodu založenou na učení neuronových sítí jsem vytvořil v prostředí Matlabu řečový rozpoznávač číslovek 0-9.
|
|
| |
|
|
Biometric Fingerprint Liveness Detection
Váňa, T.
This paper deals with biometric fingerprint liveness detection. A software-based liveness detection approach using neural network is proposed. To distinguish between live and fake samples, three image quality features extracted from one image are used. The algorithm is tested on LivDet database comprising real and fake images acquired with three sensors.
|
|
|
Prediktivní analýza - postup a tvorba prediktivních modelů
Praus, Ondřej ; Pour, Jan (vedoucí práce) ; Mrázek, Luboš (oponent)
Řešenou oblastí diplomové práce je prediktivní analýza. Tento typ analýzy využívá historická data a prediktivní modely k předpovědi určitého jevu. Hlavním cílem práce je popsání prediktivní analýzy a jejího procesu z teoretického i praktického hlediska. Dílčí cíle jsou praktická realizace projektu prediktivní analýzy ve významné pojišťovně působící na českém trhu a zlepšení současného stavu predikce podvodných pojistných událostí. Práce je rozdělená na teoretickou a praktickou část. V teoretické části je popsán proces prediktivní analýzy a několik typů prediktivních modelů. Praktická část, na kterou je kladen důraz, popisuje realizaci projektu prediktivní analýzy ve firmě. V praktické části jsou nejprve přiblíženy techniky skladby dat při tvorbě datamartu. Nad připraveným datamartem jsou pak vyvíjeny různé typy prediktivních modelů. Pro názornost práce zahrnuje praktické příklady a řešené problémy. Hlavním přínosem práce je detailní popis řešení projektu, díky kterému je oblast prediktivní analýzy lépe pochopitelná. Přínosem úspěšně provedené prediktivní analýzy je zlepšení současného stavu detekce podvodných událostí v podniku.
|
|
|
Automatické rozpoznávání stavu elektroměru z fotografie
HANZLÍK, Ondřej
Práce se zabývá problematikou rozpoznávání stavu elektroměru ze snímaného obrazu. Konkrétně jde o snímání elektroměru fotoaparátem mobilního telefonu. Na snímaném obraze je detekována plocha s číselníkem elektroměru a na té jsou následně detekována jednotlivá čísla. Ta jsou rozpoznávána za pomoci neuronové sítě. Pro získání informací z obrazu elektroměru, díky kterým dokážeme jeho stav rozpoznat, je využito technik segmentace obrazu. Pro klasifikaci výstupů segmentace je využito klasifikačních nástrojů, konkrétně vektorového stroje (SVM) a neuronové sítě. Pro řešení problematiky segmentace obrazu je použita knihovna OpenCV, stejně tak jako k implementaci vektorového stroje. Číslice na číselníku elektroměru jsou klasifikovány pomocí neuronové sítě, která byla vlastnoručně implementována. Celá aplikace pro rozpoznání je na platformě Android. Součástí práce je i vytvoření desktopové aplikace, která slouží pro testování neuronové sítě a vytváření jejích modelů. Práce současně popisuje, jak ukládat potřebná data získávaná v průběhu rozpoznávání, která jsou využívaná pro práci s neuronovou sítí. Součástí práce je spuštěný web, který bude rozvíjen pro možnost zapojení se do dalšího vývoje systému. Na webu je dostupný veřejný repozitář se zdrojovými kódy vytvořenými při implementaci.
|
|
|
Hyperspectral image segmentation for estimation of biomass at reclaimed heaps
Pikl, Miroslav ; Zemek, František
This paper presents the preliminary results from a study that aims at estimation of above ground biomass and soil carbon content at reclaimed mining heaps in the Sokolov region. Two image segmentation methods are presented. We applied maximal likelihood (ML) and neural network (NN) classifi ers on airborne hyperspectral data. Th e objective of this part of the study was to prepare a land cover classifi cation of the region. Th e main focus was paid to discrimination of six classes with prevailing forest species cover. Th e classifi cation accuracy of the training sites was 93.75 % for NN and 79.12 % for ML respectively. But ML outperformed NN in overall classifi cation accuracy with 61.54 % compared to 40.9 % of NN. Th e more accurate results of the ML classifi er are probably infl uenced by properties of the training samples. Th e larger size of the training samples derived for ML enabled better representation of class histograms. Th e lower overall NN accuracy could result from high spatial resolution of HS data.
|
|
| |
|
| |
|
|
Využití principů business intelligence v dotazníkových šetřeních
Hanuš, Václav ; Maryška, Miloš (vedoucí práce) ; Novotný, Ota (oponent)
Tato práce je zaměřena na praktické použití nástrojů pro dolování dat a business intelligence. Mezi hlavní cíle patří zpracování zdrojových dat do vhodné podoby a zkušební nasazení vybraného nástroje na testovací úloze. Jako vstupní data posloužila databáze vzniklá zpracováním dotazníkových šetření, užitých pro ověření úrovně výuky IT a ekonomických předmětů napříč českými vysokými školami. Tyto data jsem následně upravil tak, aby je bylo možné zpracovat pomocí nástrojů pro dolování dat, které jsou obsaženy v balíku software Microsoft SQL Server 2008. Pro ověření možností jsem zvolil dvě úlohy. První úloha byla zaměřena na shlukování s využitím algoritmu Microsoft Clustering. Její náplní bylo roztřídění škol do shluků na základě jednotlivých atributů odpovídajících skupinám předmětů ohodnocených počty kreditů z nich získaných. Při řešení nastaly dva problémy. Bylo třeba snížit počet skupin předmětů, jinak hrozilo, že pro shlukování vznikne větší množství shluků, než dovedu pojmenovat. Dalším problémem bylo nestejnoměrné ohodnocení jednotlivých skupin předmětů a od toho se odvíjející problémy s váhami jednotlivých atributů. Řešení bylo nakonec vcelku jednoduché. Ve skupinách předmětů jsem vybral atributy, které se obsahově blíží nebo se překrývají a ty jsem následně sloučil do obecnějších kategorií. Co se týče následného nestejnoměrného rozložení kreditů použitých pro ohodnocení, pomocí parametru jsem každou nově vzniklou skupinu předmětů převedl na stupnici 0-5. Ve druhé úloze jsem se zaměřil na předpověď budoucí hodnoty a využití algoritmů Microsoft Logistic Regresion a Microsoft Neural Network. Zde bylo cílem provést předpověď počtu studujících studentů. K dispozici byla historická data z let 2001-2009. Na jejich základě byl sestrojen prediktivní model, jehož výsledky jsem mohl porovnat se skutečnými daty. Také bylo v rámci řešení potřeba upravit zdrojová data tak, aby umožnila nasazení testovaného nástroje. Původní data byla umístěna v pohledu namísto tabulky a navíc data obsahovala i záznamy nejenom o studujících, ale i různě roztříděné. Například podle pohlaví. Řešením bylo tedy vytvoření nové tabulky, do které se umístily jen záznamy podstatné pro řešenou úlohu. Posledním problém nastal při pokusu o predikci roku 2010, ke kterému nebyla skutečná data. Software nahlásil chybu a predikci neprovedl. Při mém pátrání, jsem na technické podpoře společnosti Microsoft nalezl několik odkazů na podobný problém, takže je pravděpodobné, že se jedná o systémovou chybu, která bude opravená v rámci aktualizace. Splnění těchto úkolů mi poskytlo dostatek indicií pro ověření možností softwaru dodávaného společností Microsoft. Po mých předchozích školních zkušenostech se software pro dolování dat od společností IBM (dříve SSPS) a SAS tak mohu dobře porovnat, zda se prověřovaný nástroj těmto hlavním hráčům na trhu dokáže vyrovnat a zda je vhodný pro seriózní využití.
|
|
|
Mobile robot motion planner via neural network
Krejsa, Jiří ; Věchet, Stanislav
Motion planning is essential for mobile robot successful navigation. There are many algorithms for motion planning under various constraints. However, in some cases the human can still do a better job, therefore it would be advantageous to create a planner based on data gathered from the robot simulation when humans do the planning. The paper presents the method of using the neural network to transfer the previously gained knowledge into the machine learning based planner. In particular the neural network task is to mimic the planner based on finite state machine. The tests proved that neural network can successfully learn to navigate in constrained environment.
|
host ::
RSS.