|
|
Klasifikace signálu EKG
Smělý, Tomáš ; Harabiš, Vratislav (oponent) ; Hrubeš, Jan (vedoucí práce)
Tato diplomová práce se zabývá klasifikací různých průběhů EKG signálů. Úkolem bylo rozpoznat normální cykly od různých typů arytmií a určit, o jaké poruchy se jedná. Klasifikace byla provedena pomocí neuronových sítí v nadstavbě programového prostředí Matlab (Neural Network Toolbox). Výsledkem této práce je aplikace, která po načtení EKG signálu z databáze provede jeho předzpracování a následnou klasifikaci jednotlivých kvaziperiod do pěti různých tříd. Procentuální výsledky klasifikace jsou uvedeny v závěru práce.
|
|
|
Program pro hodnocení kvality obrazu s využitím neuronové sítě
Šimíček, Pavel ; Kratochvíl, Tomáš (oponent) ; Slanina, Martin (vedoucí práce)
Tato práce se zabývá hodnocením kvality obrazu pomocí neuronových sítí. V první části jsou popsány dva základní způsoby hodnocení kvality obrazu. Jsou to subjektivní hodnocení při kterém skupina diváků sleduje obraz vyjadřuje názor na jeho kvalitu a objektivní hodnocení, které je založeno na výpočtu hodnot podle matematických vztahů. Podrobně je rozebrána objektivní metoda výpočtu SSIM indexu. V druhé části jsou popsány základy umělých neuronových sítí. V programu Matlab byla vytvořena neuronová síť, která na základě SSIM indexu simuluje subjektivní hodnocení kvality obrazu.
|
|
|
Využití neuronových sítí pro klasifikaci alternací vlny T
Procházka, Tomáš ; Harabiš, Vratislav (oponent) ; Hrubeš, Jan (vedoucí práce)
Tato práce se zabývá analýzou pravidelných změn vlny T v EKG signálu nazývaných TWA. Přítomnost těchto alternací může znamenat zvýšené riziko náhlé srdeční smrti. K analýze TWA je zde využito algoritmů trénování neuronových sítí, konkrétně pak samoorganizujících se map. Výstupem této práce je program, který v testovaném EKG signálu nejprve detekuje QRS komplexy a získané referenční body následně využije k detekci T-vln. Vektor specifických bodů reprezentujících nalezené T-vlny je potom analyzován pomocí neuronové sítě. Výsledkem je rozhodnutí o míře přítomnosti TWA v analyzovaném signálu.
|
|
|
Využití neuronových sítí v klasifikaci srdečních onemocnění
Skřížala, Martin ; Tannenberg, Milan (oponent) ; Hrubeš, Jan (vedoucí práce)
Práce je zaměřená na návrh a využití umělých neuronových sítí jako klasifikátoru srdečních onemocnění z EKG signálu se zaměřením na ischemickou chorobu srdeční. Změny ST-T komplexů jsou významným ukazatelem ischemie v EKG signálu. Různe typy ischemické choroby srdeční se projevují zejména elevací nebo depresí ST segmentů a změnami T vlny v analyzovaném signálu. První část této práce obsahuje teoretický úvod popisující jednotlivé typy ischemické choroby srdeční a na ně vázané změny EKG signálu. Druhá část je věnována popisu předzpracování EKG signálu ke klasifikaci neuronovými sítěmi. Obsahuje filtraci EKG, QRS detekci, detekci ST-T komplexů a popis analýzy hlavních komponent a její využítí k popisu analyzovaného signálu. V poslední části práce je popsán návrh a způsob detekce možných příznaků ischemické choroby srdeční v EKG pomocí dvou typů umělých neuronových sítí: Back-propagation, SOM. Dále jsou zde uvedeny výsledky navržených algoritmů. Přílohy obsahují popis navrženého programu pro klasifikaci srdečních onemocnění, popis jednotlivých jeho funkcí, dále zde najdeme podrobný popis všech použitých neuronových sítí a tabulky obsahující detailní výsledky klasifikace EKG signálu. Samotný program byl vytvořen v programovacím prostředí Matlab R2007b.
|
|
|
PSG-Based Classification of Sleep Phases
Králík, M.
This work is focused on classification of sleep phases using artificial neural network. The unconventional approach was used for calculation of classification features using polysomnographic data (PSG) of real patients. This approach allows to increase the time resolution of the analysis and, thus, to achieve more accurate results of classification.
|
|
|
Vytvoření predikčního modelu předpovědi počasí pomocí neuronové sítě a asociačních pravidel
Kadlec, Jakub ; Rauch, Jan (vedoucí práce) ; Berka, Petr (oponent)
Tato diplomová práce představuje tři různé způsoby výběru vhodných prediktorů pro konstrukci binárního klasifikátoru za účelem automatizované předpovědi počasí s využitím asociačních pravidel a kontingenční analýzy v systém LISp-Miner. První část práce se skládá ze sbírky teoretických znalostí, které přímo souvisí s vytvořením prediktivního modelu, zatímco druhá část popisuje tvorbu modelu jako takového pomocí metodiky CRISP-DM. Závěrečná část práce je věnována analýze výkonu vytvořených neuronových sítí a porovnání jednotlivých metod.
|
|
|
Modelování a predikce volatility finančních časových řad směnných kurzů
Žižka, David ; Arltová, Markéta (vedoucí práce) ; Malá, Ivana (oponent) ; Vošvrda, Miloslav (oponent)
Disertační práce se zaměřuje na modelování a prognózování podmíněného rozptylu časových řad směnných kurzů. Základním využitým přístupem pro modelování podmíněného rozptylu jsou modely třídy (G)ARCH a jejich variace. Modelování podmíněné střední hodnoty je založeno na využití autoregresních modelů AR. Z důvodu nesplnění jednoho ze základních předpokladů těchto modelů (předpoklad normality) je důležitou součástí práce i podrobná analýza nepodmíněných rozdělení logaritmů výnosů, která dále umožňuje zvolit vhodný předpoklad o rozdělení nesystematické složky modelů podmíněného rozptylu založených na (G)ARCH modelech. Využitím předpokladu leptokurtických rozdělení vede k významnému zlepšení předpovědí volatility ve srovnání s normálním rozdělením. V této souvislosti jsou často využívána GED a Studentovo t rozdělení, která jsou i základními stavebními kameny této práce. Navíc jsou v práci aplikována i méně známá rozdělení; Johnsonovo SU a normální inverzní Gaussovo rozdělení. Pro modelování podmíněného rozptylu je testováno velké množství lineárních i nelineárních modelů. Lineární modely zastupují modely ARCH, GARCH, GARCH in mean, integrovaný GARCH, frakcionálně integrovaný GARCH a HYGARCH. V případě přítomnosti asymetrického vlivu kladných a záporných výnosů na podmíněný rozptyl jsou aplikovány nelineární modely EGARCH, GJR-GARCH, APARCH a FIEGARCH. S využitím vhodných modelů, podle zvolených kritérií, jsou provedeny bodové předpovědi podmíněného rozptylu s různými dlouhodobými a krátkodobými předpovědními horizonty. Výstupy tradičních parametrických modelů volatility (G)ARCH jsou porovnány se semi-parametrickými přístupy založenými na neuronových sítích, které našly široké uplatnění nejen v klasifikačních úlohách, ale i v úlohách predikce časových řad. Závěr práce tvoří popis shodných a rozdílných vlastností zkoumaných časových řad směnných kurzů. Dále shrnutí modelů, které dokáží nejlépe popsat a předpovědět chování podmíněného rozptylu vybraných časových řad směnných kurzů. Tyto modely lze dále využít k měření míry tržního rizika investic metodou Value at Risk nebo najdou široké uplatnění při odhadech budoucích cen, kde je při konstrukcích předpovědních intervalů nezbytná znalost budoucího podmíněného rozptylu.
|
|
|
Využití metod data miningu při analýze kreditních dat
Tvaroh, Tomáš ; Witzany, Jiří (vedoucí práce) ; Matejašák, Milan (oponent)
Tato práce se zabývá porovnáním vybraných metod data miningu pro řešení klasifikačních úloh s metodou klasifikace pomocí logistické regrese. V první části práce je krátce představen data mining jako vědní disciplína a úloha klasifikace je uvedena do kontextu procesu vytěžování dat. V další části je vysvětlen princip fungování jednotlivých metod, mezi které byli, společně s logistickou regresí, vybrány umělé neuronové sítě, klasifikační rozhodovací stromy a metoda SVM. Společně s matematickou podstatou algoritmů je vždy uveden i způsob, jakým u hotového modelu probíhá klasifikace nových příkladů. V praktické části diplomové práce jsou popsané metody otestovány na reálných datech společnosti Lending Club a jsou srovnány z hlediska přesnosti klasifikace. Na závěr je zhodnoceno, zda je výsadní postavení logistické regrese dané historicky nebo zda si ho metoda skutečně zaslouží díky vysoké klasifikační síle v porovnání s ostatními metodami.
|
|
|
Možnosti počítačové detekce defraudací a anomálií v účetních datech
Spitz, Igor ; Mejzlík, Ladislav (vedoucí práce) ; Pelák, Jiří (oponent)
Práce analyzuje možné způsoby manipulace účetního systému za účelem defraudace. Dále hledá techniky, které by byly schopné tyto manipulace odhalit, a zároveň ověřuje efektivnost již využívaných postupů. Teoretická část zkoumá postupy finanční analýzy, statistické testy, benfordovy testy, fuzzy matching a technologie strojového učení. Praktická část ověřuje postupy finanční analýzy, benfordovy testy, algoritmy pro fuzzy matching a neuronové sítě.
|
|
|
Návrh a implementace Data Mining modelu v technologii MS SQL Server
Peroutka, Lukáš ; Maryška, Miloš (vedoucí práce) ; Smutný, Zdeněk (oponent)
Tato práce se zabývá návrhem a implementací data miningové úlohy s reálnými daty. Úloha bude analyzována, zpracována a její dosažené výsledky vyhodnoceny. Zdrojovým datovým souborem je databáze obsahující studijní záznamy Vysoké ško-le ekonomické v Praze. V první teoretické části se práce zaměřuje na dolování z dat, definici pojmu, histo-rický vývoj data miningu, analýzu a popis jednotlivých částí dolovací úlohy a sou-časnou metodologii. Představeny jsou nejznámější používané dolovací techniky a standardy, včetně jejich vlastností, výhod a nevýhod při praktickém nasazení. Ana-lyzována jsou také vstupní data, zejména z pohledu kvality a operací ve fázi před-zpracování dat pro dolovací úlohu. Následně je přistoupeno k aplikaci teoretických znalostí na reálnou úlohu data mi-ningu. Zdrojový soubor se školními daty je popsán, analyzován a vhodné atributy jsou vybrány jako základ pro tvorbu dolovacích modelů. Ty jsou poté na platformě MS SQL Server vytvořeny s cílem najít, prozkoumat a popsat možné závislosti a asociace v datech. Dílčí výsledky jednotlivých modelů a jejich potenciální přínos jsou zhodnoceny, a to včetně návrhu možných vylepšení a dalšího budoucího využití výsledků.
|
host ::
RSS.