|
|
Implementace rekonstrukčních metod pro čtení čárového kódu
Kadlčík, Libor ; Bartušek, Karel (oponent) ; Mikulka, Jan (vedoucí práce)
Informace je v čárovém kódu uložena jako posloupnost různě širokých proužků a mezer, a tak lze čárový kód považovat za dvouúrovňový (obdélníkový) signál. V případě tzv. magnetických čárových kódů jsou proužky tvořeny nanesením malého množství feromagnetického materiálu na podklad. Snímání probíhá snímací oscilátorem, jehož kmitočet je ovlivňován přítomností feromagnetického materiálu. Signál ze snímacího oscilátoru je poté (zde číslicově) kmitočtově demodulován. Z důvodu teplotního driftu kmitočtu oscilátoru je demodulovaný signál doprovázen stejnosměrným driftem. Práce proto neopomíjí metodu pro odstranění driftu. Nechybí ani metoda detekující přítomnost čárového kódu, jež je na drift necitlivá. Snímání čárového kódu je výrazně ztěžováno konvolučním zkreslením, které vzniká jako důsledek citlivosti snímače rozprostírající se do okolí. Konvoluční zkreslení se projevuje jako průchod signálu dolní propustí a s tím spojeným zaoblením a prolínáním hran signálu, jež se stávají obtížně detekovatelnými. Konvoluční zkreslení lze charakterizovat pomocí prostorové impulzní odezvy (PSF). Při snímání magnetických čárových kódů je tvar PSF předem znám, ale její stejnosměrný přenos a šířka jsou neznámé (při rychlém pohybu snímacího oscilátoru je signál zúžen a s ním i PSF). Proto jsou představeny vyvinuté metody pro odhad těchto parametrů. Před dekódováním čárového kódu je nezbytné rekonstrukcí ze signálu odstranit konvoluční zkreslení. Účinným prostředkem jsou variační metody, jejichž podstatou je formulace rekonstrukční úlohy jako optimalizační problém minimalizace funkcionálu. Předností variačních metod je možnost funkcionál doplňovat o další dílčí funkcionály (regularizace) a~tím výrazně napomoci úspěšné rekonstrukci signálu. Princip variačních metod je popsán, včetně ukázek vlivu jednotlivých regularizací. Všechny algoritmy a metody (včetně demodulace signálu ze snímacího oscilátoru) jsou implementovány číslicově jako program pro mikrokontrolér z rodiny PIC32, který nabízí dostatečně vysoký výpočetní výkon, a tak i slepá dekonvoluce (při níž je třeba navíc najít skutečnou PSF) je provedena během několika sekund. Mikrokontrolér je součástí čtečky magnetického čárového kódu, jejíž hardware umožňuje přečtená data přenášet do osobního počítače prostřednictvím rozhraní PS/2 nebo USB (pomocí simulace stisků na pomyslné klávesnici) nebo zobrazit na displeji.
|
|
|
Blind Image Deconvolution of Electron Microscopy Images
Schlorová, Hana ; Odstrčilík, Jan (oponent) ; Walek, Petr (vedoucí práce)
Blind deconvolution has spread around multiple technical fields in recent years. Problems with computational demands are no more its limitations. Blind deconvolution signal processing techniques are promising solution for enhancement of electron microscope performance. The aim of this work is the problem formulation and proposition of appropriate solution for blind deconvolution of electron microscope images. The final goal is to develop Matlab algorithm correcting aberrations arising from imperfections of image formation and its comparison with built-in Matlab approach implemented in Image Processing Toolbox. Proposed approach is given by regularization techniques of blind deconvolution.
|
|
|
On kernel-based nonlinear regression estimation
Kalina, Jan ; Vidnerová, P.
This paper is devoted to two important kernel-based tools of nonlinear regression: the Nadaraya-Watson estimator, which can be characterized as a successful statistical method in various econometric applications, and regularization networks, which represent machine learning tools very rarely used in econometric modeling. This paper recalls both approaches and describes their common features as well as differences. For the Nadaraya-Watsonestimator, we explain its connection to the conditional expectation of the response variable. Our main contribution is numerical analysis of suitable data with an economic motivation and a comparison of the two nonlinear regression tools. Our computations reveal some tools for the Nadaraya-Watson in R software to be unreliable, others not prepared for a routine usage. On the other hand, the regression modeling by means of regularization networks is much simpler and also turns out to be more reliable in our examples. These also bring unique evidence revealing the need for a careful choice of the parameters of regularization networks
|
|
|
On kernel-based nonlinear regression estimation
Kalina, Jan ; Vidnerová, Petra
This paper is devoted to two important kernel-based tools of nonlinear regression: the Nadaraya-Watson estimator, which can be characterized as a successful statistical method in various econometric applications, and regularization networks, which represent machine learning tools very rarely used in econometric modeling. This paper recalls both approaches and describes their common features as well as differences. For the Nadaraya-Watson estimator, we explain its connection to the conditional expectation of the response variable. Our main contribution is numerical analysis of suitable data with an economic motivation and a comparison of the two nonlinear regression tools. Our computations reveal some tools for the Nadaraya-Watson in R software to be unreliable, others not prepared for a routine usage. On the other hand, the regression modeling by means of regularization networks is much simpler and also turns out to be more reliable in our examples. These also bring unique evidence revealing the need for a careful choice of the parameters of regularization networks
|
|
| |
|
|
Regularization methods for discrete inverse problems in single particle analysis
Havelková, Eva ; Hnětynková, Iveta (vedoucí práce) ; Plešinger, Martin (oponent)
Cílem této práce je zkoumat možnosti aplikace regularizačních metod založených na Krylovovských podprostorech na diskrétní inverzní úlohy vznikající v single particle analýze (SPA). V první části práce je formulován spo- jitý model a je vysvětlena jeho diskretizace. Výsledkem je špatně podmíněný inverzní problém Ax ≈ b, kde A je lineární operátor a b representuje naměřená data zatížená šumem. V práci jsou zahrnuty teoretické základy a přehled vy- braných metod pro řešení obecných lineárních inverzních problémů. Dále se práce zaměřuje na specifické vlastnosti inverzních problémů ve SPA a zahrnuje experimentální analýzu založenou na synteticky vygenerovaných SPA datech (experimenty jsou provedeny v prostředí Matlab). V další části se práce zaměřuje na metodu založenou na iterativním hybridním LSQR s vnitřní Tikhonovskou regularizací. Diskutovány jsou též vhodné zastavovací kritérium a metoda pro volbu regularizačního parametru pro vnitřní regularizaci. Na základě vlastní implementace (v prostředí Matlab a v C++) jsou výsledky navržené metody analyzovány na sérii modelových SPA dat, kde se uvažuje zatížení vysokou hla- dinou šumu a realistické rozložení projekčních úhlů. Metoda je dále...
|
|
|
Lineární algebraické modelování úloh s nepřesnými daty
Vasilík, Kamil ; Hnětynková, Iveta (vedoucí práce) ; Janovský, Vladimír (oponent)
V predloženej práci sledujeme úlohy Ax b, ktoré pochádzajú z diskretizácie ill-posed problémov, kde pravá strana b obsahuje (neznámy) šum. V [29] je ukázané, že za určitých prirodzených podmienok, s použitím Golub-Kahanovej iteračnej bidiagonalizácie, môže byť veľkosť hladiny šumu odhadnutá za zanedbateľnú cenu. Takáto informácia môže byť ďalej použitá pri riešení ill-posed problémov. V práci navrhujeme kritéria pre detekciu iterácie vyjavujúcej šum v Golub-Kahanovej iteračnej bidiagonalizácii. Rozoberáme prítomnosť šumu rôznych farieb. Študujeme, ako strata ortogonality ovplyvní šum vyjavujúcu vlastnosť bidiagonalizácie.
|
|
|
Regularization methods for discrete inverse problems in single particle analysis
Havelková, Eva ; Hnětynková, Iveta (vedoucí práce)
Cílem této práce je zkoumat možnosti aplikace regularizačních metod založených na Krylovovských podprostorech na diskrétní inverzní úlohy vznikající v single particle analýze (SPA). V první části práce je formulován spo- jitý model a je vysvětlena jeho diskretizace. Výsledkem je špatně podmíněný inverzní problém Ax ≈ b, kde A je lineární operátor a b representuje naměřená data zatížená šumem. V práci jsou zahrnuty teoretické základy a přehled vy- braných metod pro řešení obecných lineárních inverzních problémů. Dále se práce zaměřuje na specifické vlastnosti inverzních problémů ve SPA a zahrnuje experimentální analýzu založenou na synteticky vygenerovaných SPA datech (experimenty jsou provedeny v prostředí Matlab). V další části se práce zaměřuje na metodu založenou na iterativním hybridním LSQR s vnitřní Tikhonovskou regularizací. Diskutovány jsou též vhodné zastavovací kritérium a metoda pro volbu regularizačního parametru pro vnitřní regularizaci. Na základě vlastní implementace (v prostředí Matlab a v C++) jsou výsledky navržené metody analyzovány na sérii modelových SPA dat, kde se uvažuje zatížení vysokou hla- dinou šumu a realistické rozložení projekčních úhlů. Metoda je dále...
|
|
|
Methods for enforcing non-negativity of solution in Krylov regularization
Hoang, Phuong Thao ; Hnětynková, Iveta (vedoucí práce) ; Pozza, Stefano (oponent)
Cílem této práce je studovat nezáporné inverzní úlohy a komplikace, které nastávají při jejich řešení pomocí standardních metod Krylovových podprostorů. Nejdříve shrneme teorii vázající se k nezáporným inverzním problémům. Poté se zaměříme na vybrané modifikace metod Krylovových podprostorů, které vedou k značným vylepšením řešení uvažovaných úloh. Popíšeme jejich vlastnosti, nastíníme jejich implementaci a navrhneme vylepšení pro jednu z metod. Dále provedeme numerické experimenty pro srovnání jednotlivých algoritmů, kde se zaměříme speciálně na analýzu vlivu výběru parametrů na chování řešičů. V práci je názorně ukázáno, že metody vynucující podmínku nezápornosti konstruují obecně lepší aproximaci neznámého přesného řešení. Navíc nově navržená metoda vede v některých případech k úspoře celkového výpočetního času při zachování dobré kvality aproximace.
|
|
|
Techniques For Avoiding Model Overfitting On Small Dataset
Kratochvila, Lukas
Building a deep learning model based on small dataset is difficult, even impossible. Toavoiding overfitting, we must constrain model, which we train. Techniques as data augmentation,regularization or data normalization could be crucial. We have created a benchmark with a simpleCNN image classifier in order to find the best techniques. As a result, we compare different types ofdata augmentation and weights regularization and data normalization on a small dataset.
|
host ::
RSS.