|
|
Neuronové sítě pro modelování EMC malých letadel
Koudelka, Vlastimil ; Goňa,, Stanislav (oponent) ; Raida, Zbyněk (vedoucí práce)
Tato práce se zabývá neuronovým modelováním elektromagnetického pole uvnitř trupu malého letadla, které je sestaveno z kompozitních dílů. První část je věnována úvodu do problematiky neuronových sítí a rozboru jejich využití v modelování EMC malých letadel. Ve druhé části práce se věnujeme tvorbě jednoduchého EM modelu malého letadla. Model je tvořen dokonale vodivým obdélníkovým vlnovodem do jehož vnitřku vložíme dvě dielektrické přepážky představující kompozitní potah letounu. Vlnovod je zakončen bezodrazovou zátěží, čímž simulujeme volný prostor okolo letounu. Vlnovod budíme jak harmonickým signálem tak Gaussovým impulsem, čímž simulujeme dopad vertikálně polarizované elektromagnetické vlny z boku na trup letadla. S využitím numerické analýzy zkoumáme vliv elektrických parametrů vložených dielektrických přepážek na výslednou hodnotu intenzity pole ve třech bodech pozorování. Výstupem numerických analýz je soubor diskrétních hodnot intenzity pole pro různé elektrické parametry dielektrických přepážek. Abychom mohli sledovat vliv dielektrických přepážek na spojitém intervalu, využíváme dobré aproximační schopnosti neuronových sítí a vícerozměrného kubického splajnu. Poslední část práce je věnována návrhu neuronových struktur, které jsou na základě elektrických parametrů potahu letadla schopny odhadnout zda budou v bodech pozorování dodržena kritéria EMC. Na základě numerických analýz vytváříme trénovací a testovací množiny, na které trénujeme dva neuronové klasifikátory. Jako referenční metodu klasifikace volíme třídění podle nejbližšího souseda.
|
|
|
Model-based evolutionary optimization methods
Bajer, Lukáš ; Holeňa, Martin (vedoucí práce) ; Brockhoff, Dimo (oponent) ; Pošík, Petr (oponent)
Statistické modely se používají pro urychlení optimalizace jak v akademické sféře, tak v průmyslu. Právě v reálných aplikacích, kde je optimalizovaná funkce často finančně nebo časově náročná, mohou statistické modely ušetřit zdroje nebo urychlit optimalizaci. Každá ze tří částí dizertační práce se zabývá jedním takovým modelem: v první části práce nahrazují kopule grafické modely v algoritmech odhadující distribuci, RBF sítě slouží jako náhradní model v genetických algoritmech pro kombinaci spojitých a diskrétních proměnných ve druhé části a třetí část práce používá gaussovské procesy jednak jako model pro vzorkování v bayesovských optimalizačních algoritmech, jednak jako náhradní model v evoluční strategii adaptující kovarianční matici (CMA-ES). Poslední kombinaci, která je popsána klíčové části práce, využívá navržený algoritmus DTS-CMA-ES---dvojitě trénovaný CMA-ES s náhradním modelem. Tento algoritmus využívá nejistotu predikovanou gaussovským procesem, aby vybral část populace CMA-ES k ohodnocení drahou originální funkcí, zatímco zbytek populace je ohodnocen modelem---predikovanou nejpravděpodobnější hodnotou. Výsledky ukázaly, že DTS-CMA-ES konverguje na několika syntetických funkcích rychleji než současné spojité optimalizační algoritmy s náhradním modelem.
|
|
|
Model-based evolutionary optimization methods
Bajer, Lukáš ; Holeňa, Martin (vedoucí práce) ; Brockhoff, Dimo (oponent) ; Pošík, Petr (oponent)
Statistické modely se používají pro urychlení optimalizace jak v akademické sféře, tak v průmyslu. Právě v reálných aplikacích, kde je optimalizovaná funkce často finančně nebo časově náročná, mohou statistické modely ušetřit zdroje nebo urychlit optimalizaci. Každá ze tří částí dizertační práce se zabývá jedním takovým modelem: v první části práce nahrazují kopule grafické modely v algoritmech odhadující distribuci, RBF sítě slouží jako náhradní model v genetických algoritmech pro kombinaci spojitých a diskrétních proměnných ve druhé části a třetí část práce používá gaussovské procesy jednak jako model pro vzorkování v bayesovských optimalizačních algoritmech, jednak jako náhradní model v evoluční strategii adaptující kovarianční matici (CMA-ES). Poslední kombinaci, která je popsána klíčové části práce, využívá navržený algoritmus DTS-CMA-ES---dvojitě trénovaný CMA-ES s náhradním modelem. Tento algoritmus využívá nejistotu predikovanou gaussovským procesem, aby vybral část populace CMA-ES k ohodnocení drahou originální funkcí, zatímco zbytek populace je ohodnocen modelem---predikovanou nejpravděpodobnější hodnotou. Výsledky ukázaly, že DTS-CMA-ES konverguje na několika syntetických funkcích rychleji než současné spojité optimalizační algoritmy s náhradním modelem.
|
|
|
Neuronové sítě pro modelování EMC malých letadel
Koudelka, Vlastimil ; Goňa,, Stanislav (oponent) ; Raida, Zbyněk (vedoucí práce)
Tato práce se zabývá neuronovým modelováním elektromagnetického pole uvnitř trupu malého letadla, které je sestaveno z kompozitních dílů. První část je věnována úvodu do problematiky neuronových sítí a rozboru jejich využití v modelování EMC malých letadel. Ve druhé části práce se věnujeme tvorbě jednoduchého EM modelu malého letadla. Model je tvořen dokonale vodivým obdélníkovým vlnovodem do jehož vnitřku vložíme dvě dielektrické přepážky představující kompozitní potah letounu. Vlnovod je zakončen bezodrazovou zátěží, čímž simulujeme volný prostor okolo letounu. Vlnovod budíme jak harmonickým signálem tak Gaussovým impulsem, čímž simulujeme dopad vertikálně polarizované elektromagnetické vlny z boku na trup letadla. S využitím numerické analýzy zkoumáme vliv elektrických parametrů vložených dielektrických přepážek na výslednou hodnotu intenzity pole ve třech bodech pozorování. Výstupem numerických analýz je soubor diskrétních hodnot intenzity pole pro různé elektrické parametry dielektrických přepážek. Abychom mohli sledovat vliv dielektrických přepážek na spojitém intervalu, využíváme dobré aproximační schopnosti neuronových sítí a vícerozměrného kubického splajnu. Poslední část práce je věnována návrhu neuronových struktur, které jsou na základě elektrických parametrů potahu letadla schopny odhadnout zda budou v bodech pozorování dodržena kritéria EMC. Na základě numerických analýz vytváříme trénovací a testovací množiny, na které trénujeme dva neuronové klasifikátory. Jako referenční metodu klasifikace volíme třídění podle nejbližšího souseda.
|
host ::
RSS.