|
|
Využití vizuálních evokovaných potenciálů pro hodnocení zraku
Hnízdilová, Bohdana ; Svozilová, Veronika (oponent) ; Mézl, Martin (vedoucí práce)
Tato bakalářská práce se věnuje vizuálním evokovaným potenciálům. V teoretické části je popsáno, jak evokované potenciály vznikají, jak se měří a zaznamenávají. Popsáno je také využití evokovaných potenciálů v oftalmologii, pro určení zrakové ostrosti. Dále jsou v práci popsány jednotlivé podněty a jejich odpovědi na zábleskové stimuly, offset/onset či pattern-reversal stimuly. Praktická část se zabývá zaznamenáváním evokované odpovědi na pattern-reversal stimul. Pro měření bylo zvoleno zařízení Bitalino, kterým je snímán signál z elektrod encefalogramu a luxmetru. Ke zpracování a vyhodnocování signálů dochází pomocí poloautomatického softwaru, kdy jsou uživatelem vybrány jednotlivé úseky signálu, který chce zprůměrovat a na výstupu je zobrazena epocha zvolených úseků.
|
|
|
Deep Neural Networks Used for Customer Support Cases Analysis
Marušic, Marek ; Ryšavý, Ondřej (oponent) ; Pluskal, Jan (vedoucí práce)
Artificial intelligence is remarkably popular these days. It can be used to resolve various highly complex tasks in fields such as image processing, sound processing, natural language processing, etc. Red Hat has an extensive database of resolved support cases. Therefore an idea was proposed to use these data for data mining and information retrieval in order to ease a resolution process of the support cases. In this work, various deep neural network models were created for prediction of features which could help during the resolution process. Techniques and models used in this work are described as well as their performance in the specific tasks. Comparison of individual models is outlined as well.
|
|
|
Analysis of neurite directionality
Plišková, Diana ; Čmiel, Vratislav (oponent) ; Odstrčilík, Jan (vedoucí práce)
The thesis is focused on the design of a suitable method for analyzing the directionality of neurites. Fluorescence microscopy images of neurons were used. Prior to segmentation, the images had to be preprocessed, using contrast adjustment, sharpening, and adaptive filtering using a Weiner filter.The individual proposals of segmentation methods consisted of simple thresholding, area growth and the use of morphological operations. Subsequent directionality analysis used the direction of the gradients in the image. The proposed method was also used as a classifier, which was able to segregate the respective images into classes according to the direction of the growth.
|
|
|
Zjednodušené násobení v konvolučních neuronových sítích
Juhaňák, Pavel ; Jaroš, Jiří (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato práce se zaměřuje na problematiku klasických i konvolučních neuronových sítí. Jsou zde probrány konvenční techniky hardwarového násobení a možnosti jeho optimalizace v kontextu umělých neuronových sítí. Je navržena metoda zjednodušeného násobení, a to násobení bez násobičky. Tato metoda je implementována a integrována do knihovny TypeCNN. Poté je proveden odhad ceny hardwarového řešení jak konvenčního, tak zjednodušeného násobení. Představeny jsou dostupné nástroje pro práci s konvolučními neuronovými sítěmi a datové sady pro jejich testování v úloze klasifikace obrazů. Jsou navrženy testovací architektury a metodika testování a experimentů. Následně jsou zhodnoceny výsledky testů jak z pohledu úspěšnosti klasifikace, tak ceny hardwarového řešení.
|
|
|
Bayesovské a neuronové sítě
Hložek, Bohuslav ; Rozman, Jaroslav (oponent) ; Zbořil, František (vedoucí práce)
Tato práce představuje Bayesovskou neuronovou síť na základě modelu Occamovy břitvy. První část práce shrnuje základní poznatky o neuronových sítích a Bayesovo pravidlo. Je vysvětlen princip Occamova ostří a detaily Bayesovské neuronové sítě. Rovněž je představen reálný příklad použití k predikci sesuvu půdy. V druhé části práce je představeno, jak vytvořit Bayesovskou neuronovou sít v jazyce Python. Je ukázán demonstrační program, který na experimentálních datech ukazuje vlastnosti Bayesovských neuronových sítí.
|
|
|
Stochastická předpověď průměrných měsíčních průtoku ve vybraném vodoměrném profilu
Jansa, Jakub ; Menšík, Pavel (oponent) ; Marton, Daniel (vedoucí práce)
Diplomová práce je zaměřena na předpověď průměrných měsíčních průtoků na vybraném vodoměrném profilu. Výstupem bude vyhodnocení vypočtených hodnot a interpretace výsledků v přehledné podobě. Dále nalezení vhodného propojení mezi náhodně generovanými vstupy v podobě náhodných průběhů reálných průtokových řad se standardně používanými hydrologickými předpovědními modely založenými na principech umělé inteligence a pravděpodobnostním modelu. Výsledkem práce bude ověření postupů a následné sestavení stochastické předpovědi průměrných měsíčních průtoků ve vybraném vodoměrném profilu toku, která by byla dále využita pro účely řízení nádrže, resp. vodohospodářské soustavy.
|
|
| |
|
|
Usage of the MATLAB environment for neural networks
Lenk, Peter ; Atassi, Hicham (oponent) ; Škorpil, Vladislav (vedoucí práce)
This bachelor thesis discusses the basic theory and modelling of neural networks in the software environment of MATLAB. The thesis can be divided into four parts. After an introduction into the thesis, the theoretical background of the neural netwoks is explained in the first chapter. This chapter features a brief history and a biological background of neural networks and deals with the basic network architectures and the training processes. The next part is the description of how to implement networks in a general way using the MATLAB enviroment, so it deals with preparation of data, creation, simulation and training of a neural network. The last part of the paper covers a design of two excersises created in order to introduce modelling of the neural networks in the MATLAB enviroment to the students.
|
|
|
Využití prostředků inverzní analýzy spolehlivosti při pravděpodobnostním návrhu vybraných parametrů konstrukcí
Lipowczan, Martin ; Novák, Drahomír (oponent) ; Lehký, David (vedoucí práce)
Podstatou předložené bakalářské práce je aplikace metodiky a prostředků inverzní analýzy při pravděpodobnostním návrhu vybraných parametrů konstrukcí. Prvním krokem bylo seznámení se s pravděpodobnostním návrhem a posouzením konstrukcí, následně pak s vlastní metodikou inverzní analýzy založené na umělých neuronových sítí. Po nastudování daného tématu bylo možné přejít k samotné problematice. Zprvu pro uvedení teorie do praxe se začalo na lehčích příkladech. Jednalo se o matematické funkce a jeden praktičtější příklad. U těchto příkladů byly předem známé výsledky. Tato skutečnost vedla k snadné kontrole dosažených hodnot. Postupným zdokonalováním v užívání softwarových nástrojů a to zejména programu DLNNET bylo možné přejít na příklady z praxe. Zvoleny byly příklady z předmětů nižších ročníků bakalářského studia na Fakultě stavební VUT Brno. Prvním z nich byl návrh železobetonové desky, u které byly hledanými návrhovými parametry výška desky a plocha vyztužení. Druhým příkladem byl návrh montážního ocelového šroubového spoje u diagonály vazníku. Zde se provedlo dimenzování průměru šroubu a jeho počet.
|
|
|
Rychlost učení vícevrstvé sítě
Maceček, Aleš ; Zámečník, Dušan (oponent) ; Jirsík, Václav (vedoucí práce)
Teoretický rozbor umělých neuronových sítí, zvláště jejich typů topologií a učení sítí. Zvláštní zaměření je na vícevrstvou neuronovou síť s učením backpropagation. Uvedený algoritmus učení backpropagation jednoduché sítě společně s popisem parametrů ovlivňujících učení sítě a také metody zhodnocení kvality naučení sítě. Definice momentů invariantních na otočení, posun a změnu měřítka. Optimalizace parametrů neuronové sítě k nalezení nejrychleji učící se neuronové sítě, a také sítě s nejlepší hodnotou rozpoznání vzorů písmen z testovací množiny.
|
host ::
RSS.