|
|
Detekce hran pomocí neuronové sítě
Křepský, Jan ; Grézl, František (oponent) ; Švub, Miroslav (vedoucí práce)
Využití umělých neuronových sítí v digitálním zpracování obrazu není žádnou novinkou. Předmětem této práce je navrhnout a implementovat hranový detektor na bázi neuronové sítě, zjistit, jak moc je použití tohoto přístupu vhodné právě pro detekci hran v obraze a porovnat dosažené výsledky s běžnými detektory. V teoretické části popisuje některé metody předzpracování obrazu, klasického přístupu k detekci hran, jejich ztenčování a dává základ pro pochopení problematiky umělých neuronových sítí.
|
|
|
Detekce Elliotových vln
Kaleta, Marek ; Šperka, Svatopluk (oponent) ; Petřík, Patrik (vedoucí práce)
Práce se zabývá detekcí Elliottových vln, statistického nástroje k popisu a předvídání trhu. Práce obsahuje návrhy možných metod jejich detekce a jejich zhodnocení. Z možných metod je pak rozpracována detekce impulsů pomocí umělých neuronových sítí, konkrétně množiny vícevrstvých perceptronů zapojených do jednoduché committee machine. Výstupem práce je program detekující Elliottovy vlny. Program hledá vlny přímo na vstupní časové řadě pomocí neuronových sítí a pak na tvoří hierarchickou strukturu vln.
|
|
|
Porovnání knihoven pro práci s umělými neuronovými sítěmi
Dohnal, Zdeněk ; Zbořil, František (oponent) ; Dalecký, Štěpán (vedoucí práce)
Práce se zabývá porovnáním knihoven pro práci umělými neuronovými sítěmi. Je vysvětlena základní teorie neuronu, neuronových sítí a jejich učení. Pro experimenty je vybrán vícevrstvý perceptron, Kohonenova síť a Hopfieldova síť. Následně jsou zvolena kritéria porovnávání jako je licence, komunita nebo poslední aktualizace, a pro experimenty jsou vybrány úlohy aproximace funkce pro vícevrstvý perceptron, asociace pro Hopfieldovu síť a shlukování pro Kohonenovu síť. Následně jsou implementovány programy s využitím daných knihoven. Závěrem je porovnání výsledků experimentů a kritérií.
|
|
|
Umělá neuronová síť pro modelování polí uvnitř automobilu
Kostka, Filip ; Škvor, Zbyněk (oponent) ; Raida, Zbyněk (vedoucí práce)
Tato diplomová práce se zabývá umělými neuronovými sítěmi. Po navržení a odladění vzorové testovací a trénovací sady byly vytvořeny vícevrstvé perceptronové sítě v Neural Network Toolbox(NNT) Matlabu. Pro vytváření sítí byly využity různé trénovací algoritmy a algoritmy zlepšující generalizaci sítě. Při tvorbě radiální bázové sítě nebylo užito NNT. Tato síť byla vytvořena kódem v programu Matlab. Funkčnost vytvořených sítí byla ověřena na jednoduchých trénovacích a testovacích vzorech. Reálná trénovací data byla získána simulací dvanácti monokónických anténpracujícíchna frekvencích 2 až 6 GHz. Antény byly rozmístěny uvnitř matematického modelu Octavia II. Simulací v programu CST Microwave Studio byla modelována elektromagnetická pole uvnitř automobilu. U natrénovaných sítí zobrazujeme regresivní křivku přichycení trénovacích vzorů k síti, závislosti střední kvadratické chyby na počtu neuronů a na složitosti vstupního signálu a absolutní chybu sítě. Vlastnosti jednotlivých sítí jsou vzájemně porovnány a jsou určeny podmínky pro použití NN sítí pro modelování polí uvnitř automobilu.
|
|
|
Genetické programování v úlohách predikce
Machač, Michal ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
V této práci jsou představeny různé metody strojového učení, jež lze využít v úlohách predikce založených na regresi. Detailněji je popsáno stromové a lineární genetické programování. S vybranými algoritmy strojového učení (lineární regrese, náhodný les, vícevrstvý perceptron a stromové genetické programování) jsou provedeny experimenty na volně dostupných datových sadách za využití knihoven scikit-learn a gplearn, a získané výsledky jsou porovnány z pohledu kvality predikce. Stěžejní částí této práce byla implementace systému lineárního genetického programování v programovacím jazyce C++, která byla nejprve testována na umělých úlohách symbolické regrese, a následně na reálných datových sadách. Výsledky získané pomocí vytvořené implementace jsou porovnány vůči výsledkům získaným pomocí knihovny gplearn.
|
|
|
Rekurentní neuronové sítě v počítačovém vidění
Křepský, Jan ; Řezníček, Ivo (oponent) ; Španěl, Michal (vedoucí práce)
Práce se zabývá využitím rekurentních neuronových sítí v oblasti počítačového vidění. V teoretické části jsou popsány základní poznatky o umělých neuronových sítích se zaměřením na rekurentní architektury. Dále jsou zde prezentovány některé z jejich možných aplikací a nasazení při řešení reálných problémů. Praktická část práce je věnována rozpoznávání obličejů ze sekvence snímků pomocí Elmanovy jednoduché rekurentní sítě. K učení jsou použity algoritmy backpropagation a backpropagation through time.
|
|
|
Genetické programování v úlohách predikce
Machač, Michal ; Mrázek, Vojtěch (oponent) ; Sekanina, Lukáš (vedoucí práce)
V této práci jsou představeny různé metody strojového učení, jež lze využít v úlohách predikce založených na regresi. Detailněji je popsáno stromové a lineární genetické programování. S vybranými algoritmy strojového učení (lineární regrese, náhodný les, vícevrstvý perceptron a stromové genetické programování) jsou provedeny experimenty na volně dostupných datových sadách za využití knihoven scikit-learn a gplearn, a získané výsledky jsou porovnány z pohledu kvality predikce. Stěžejní částí této práce byla implementace systému lineárního genetického programování v programovacím jazyce C++, která byla nejprve testována na umělých úlohách symbolické regrese, a následně na reálných datových sadách. Výsledky získané pomocí vytvořené implementace jsou porovnány vůči výsledkům získaným pomocí knihovny gplearn.
|
|
|
Knihovna neuronových sítí s editorem
Rouček, Martin ; Ježek, Pavel (vedoucí práce) ; Pešková, Klára (oponent)
Modely neuronových sítí se častěji s přibývající rychlostí počítačů využívají v desktopových aplikacích. Velmi rozšířenou platformou pro psaní desktopových aplikací je .NET Framework, ale i přesto neexistuje pro platformu .NET Framework knihovna neuronových sítí, která by měla jednoduché API a možnost pracovat s objekty knihovny v grafickém prostředí. Autor si dal za cíl takovou knihovnu vytvořit. Hlavní částí práce je knihovna neuronových sítí GNNL, která se prozatím omezuje na implementaci dvou často používaných modelů neuronových sítí, a to vícevrstvého perceptronu a samoorganizující se mapy spolu s jejich učícími algoritmy zpětného šíření chyby a kompetitivního učení. Grafická podpora knihovny GNNL je tvořena knihovnou GNNLV a editorem neuronových sítí. Knihovna GNNLV obsahuje ovládací prvky, které umožňují pracovat s objekty knihovny GNNL a programátor je může použít ve své vlastní aplikaci. Editor neuronových sítí umožňuje v grafickém prostředí neuronovou síť vytvořit, vycvičit, analyzovat, uložit a následně využít v jiné aplikaci. Text práce se věnuje analýze a popisu implementace knihovny i s její grafickou podporou. Součástí práce je i souhrn teorie neuronových sítí určený pro laiky nebo programátory používající knihovnu GNNL. Práce s knihovnou je předvedena na několika příkladech. Powered by TCPDF...
|
|
|
Drought Indices in Panama Canal
Gutiérrez Hernández, Julián Eli ; Máca, Petr (vedoucí práce)
Panama má teplé, deštivé a tropické počasí. Oproti zemím, které se nacházejí dál od rovníku, Panama nezažije sezóny charakterizované teplotními změnami. Přes to, že v Panamě existuje letní a zimní sezóna. Letní sezóna začíná většinou okolo půlky prosince, ale to může kolísat nejdéle o 3 až 4 týdny. V tomto období, silné severovýchodní větry také známé jako "pasáty", začínají foukat a prší málo anebo vůbec po několik týdnů za sebou. Denní teploty vzduchu se jemně zvyšují na 30 --31 Celsius (86-88 Fahrenheit), ale v noci teploty zůstávají okolo 22-23 Celsius (72-73Fahrenheit). Relativní vlhkost klesá při sezóně, dosahuje průměrných hodnot okolo 70 percent. Zimní sezóna obvykle okolo 1. Května, ale také se to může různit o 1 nebo 2 týdny. Květen je často jeden z nejdeštivějších měsíců, hlavně v okolí panamského průplavu, takže přechod suchých okolností letní sezóny na zimní sezónu může být velmi dramatický. Když přijde déšť, teploty klesají trochu přes den a pasáty zanikají. Relativní vlhkost se rychle zvyšuje a zůstane okolo 90 až 100 percent při celé zimní sezóně. Předpovědi sucha mohou být efektivní pomůcka k zmírňování několika nepříznivých následků sucha. Tato diplomová práce porovnává předpovědi indexů sucha na základě použití sedm různých modelů umělého nervového modelu sítě. Analyzované indexy sucha jsou SPI i SPEI-ANN předpověď sucha, a odpovídají období 1985-2014 u povodí panamského průplavu; Vybral jsem sedm ze šedesáti jedné hydrometeorologických sítí, existující v povodí panamského průplavu. Meteorologická data byly získané od úřadu panamského průplavu, oddělení vodních zdrojů, úřad panamského průplavu, Panama. Výkon všech těchto modelů byl porovnáván použitím ME, MAE, RMSE, NS, a PI. Výsledky předpovědí indexů sucha , vysvětlené hodnotami výkonových indexů sedmi modelů, ukazují, že v panamském průplavu existuje problém se suchem. Přes to, že Panama je obecně známá jako dešťová země, sucho může působit těžké problémy. Významné podmínky sucha jsou pozorované v indexu na základě precipitačního a potenciálního vypařování, který se nachází v této práci; Standardizovaný precipitační index(SPI) a standardizovaný precipitační index evapotranspirace (SPEI), byly používané ke kvantifikování sucha v povodí panamského průplavu v období 1985-2014. Výsledky ukazují, že indexy sucha uložené na základě různých proměn ukazují stejné hlavní případy sucha. Indexy sucha na základě precipitace a potenciální evaporace jsou více proměnlivé vůči času oproti indexům sucha na základě výboje. Prostorová distribuce meteorologického sucha je nepravidelná po celém panamském průplavu.
|
|
|
Detekce Elliotových vln
Kaleta, Marek ; Šperka, Svatopluk (oponent) ; Petřík, Patrik (vedoucí práce)
Práce se zabývá detekcí Elliottových vln, statistického nástroje k popisu a předvídání trhu. Práce obsahuje návrhy možných metod jejich detekce a jejich zhodnocení. Z možných metod je pak rozpracována detekce impulsů pomocí umělých neuronových sítí, konkrétně množiny vícevrstvých perceptronů zapojených do jednoduché committee machine. Výstupem práce je program detekující Elliottovy vlny. Program hledá vlny přímo na vstupní časové řadě pomocí neuronových sítí a pak na tvoří hierarchickou strukturu vln.
|
host ::
RSS.