|
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.
|
|
Systém pro rozpoznávání tišteného písma
HANZLÍK, Ondřej
Práce se zabývá návrhem systému pro rozpoznání tišteného textu (OCR), který pro rozpoznávání písmen používá neuronovou sít. Neuronová sít je implementována za pomoci programu RapidMiner. Pro rízení neuronové síte jsou použity procesy vytvorené programem RapidMiner. Tyto procesy jsou spoušteny prímo z java aplikace. RapidMiner je implementován do java aplikace a za pomoci jeho knihoven je z java aplikace prímo spoušten.
|
| |
| |
| |
| |