|
|
Clustering of a Runoff Regime in Slovakia Using the PCA Method
Sabová, Zuzana ; Liová, Anna ; Kohnová, Silvia
A new scheme has been created for pooling data on the long-term average monthly runoff in Slovakia using information from 57 gauging stations from 1991 to 2020. A statistical analysis has determined the optimal number of clusters from the normalised data, and the Principal Component Analysis (PCA) method and K-means clustering were used to group basins into five pooling groups. Finally, the critical characteristics of these pooling groups were determined, and a typical regime was determined.
|
|
|
Analysis of 3D CT image data aimed at detection and classification of specific tissue structures
Šalplachta, Jakub ; Malínský, Miloš (referee) ; Jan, Jiří (advisor)
This thesis deals with the segmentation and classification of paraspinal muscle and subcutaneous adipose tissue in 3D CT image data in order to use them subsequently as internal calibration phantoms to measure bone mineral density of a vertebrae. Chosen methods were tested and afterwards evaluated in terms of correctness of the classification and total functionality for subsequent BMD value calculation. Algorithms were tested in programming environment Matlab® on created patient database which contains lumbar spines of twelve patients. Following sections of this thesis contain theoretical research of the issue of measuring bone mineral density, segmentation and classification methods and description of practical part of this work.
|
|
|
Image segmentation on GPU
Bravenec, Tomáš ; Mego, Roman (referee) ; Frýza, Tomáš (advisor)
Bachelor thesis is focused on using graphical processing units for parallel data processing, specifically on image processing. Main focus of this thesis is determining time difference in image processing using graphical processing unit and classic approach on processor. Another focus is accessing webcam and processing of captured frames.
|
|
|
Fuzzy Sets Use in Cluster Analysis with a Special Attention to a Fuzzy C-means Clustering Method
Camara, Assa ; Popela, Pavel (referee) ; Žák, Libor (advisor)
This master thesis deals with cluster analysis, more specifically with clustering methods that use fuzzy sets. Basic clustering algorithms and necessary multivariate transformations are described in the first chapter. In the practical part, which is in the third chapter we apply fuzzy c-means clustering and k-means clustering on real data. Data used for clustering are the inputs of chemical transport model CMAQ. Model CMAQ is used to approximate concentration of air pollutants in the atmosphere. To the data we will apply two different clustering methods. We have used two different methods to select optimal weighting exponent to find data structure in our data. We have compared all 3 created data structures. The structures resembled each other but with fuzzy c-means clustering, one of the clusters did not resemble any of the clustering inputs. The end of the third chapter is dedicated to an attempt to find a regression model that finds the relationship between inputs and outputs of model CMAQ.
|
|
| |
|
|
Numerical methods for classification of metagenomic data
Vaněčková, Tereza ; Sedlář, Karel (referee) ; Škutková, Helena (advisor)
This thesis deals with metagenomics and numerical methods for classification of metagenomic data. Review of alignment-free methods based on nucleotide word frequency is provided as they appear to be effective for processing of metagenomic sequence reads produced by next-generation sequencing technologies. To evaluate these methods, selected features based on k-mer analysis were tested on simulated dataset of metagenomic sequence reads. Then the data in original data space were enrolled for hierarchical clustering and PCA processed data were clustered by K-means algorithm. Analysis was performed for different lengths of nucleotide words and evaluated in terms of classification accuracy.
|
|
|
Combinatorial optimization problems in waste management
Michalová, Jitka ; Šeda, Miloš (referee) ; Kůdela, Jakub (advisor)
This master’s thesis is focused on creation of an optimization model for the location allocation problem. The first part of the thesis is an introduction to optimization, which describes the most common methods for solving optimization problems and contains a list of approaches and methods most commonly used in waste management. The next part deals with the creation of a binary integer programming problem, its application to real data and a comparison of MATLAB and ILOG CPLEX solvers. Lastly, hierarchical and kmeans clustering are introduced, they are then applied to specific largescale problems.
|
|
|
Simultanneous EEG-FMRI Data Fusion with Generalized Spectral Patterns
Labounek, René ; Havlíček, Martin (referee) ; Hlinka, Jaroslav (referee) ; Jan, Jiří (advisor)
Mnoho rozdílných strategií fúze bylo vyvinuto během posledních 15 let výzkumu simultánního EEG-fMRI. Aktuální dizertační práce shrnuje aktuální současný stav v oblasti výzkumu fúze simultánních EEG-fMRI dat a pokládá si za cíl vylepšit vizualizaci úkolem evokovaných mozkových sítí slepou analýzou přímo z nasnímaných dat. Dva rozdílné modely, které by to měly vylepšit, byly navrhnuty v předložené práci (tj. zobecněný spektrální heuristický model a zobecněný prostorovo-frekvenční heuristický model). Zobecněný frekvenční heuristický model využívá fluktuace relativního EEG výkonu v určitých frekvenčních pásmech zprůměrovaných přes elektrody zájmu a srovnává je se zpožděnými fluktuacemi BOLD signálů pomocí obecného lineárního modelu. Získané výsledky ukazují, že model zobrazuje několik na frekvenci závislých rozdílných úkolem evokovaných EEG-fMRI sítí. Model překonává přístup fluktuací absolutního EEG výkonu i klasický (povodní) heuristický přístup. Absolutní výkon vizualizoval s úkolem nesouvisející širokospektrální EEG-fMRI komponentu a klasický heuristický přístup nebyl senzitivní k vizualizaci s úkolem spřažené vizuální sítě, která byla pozorována pro relativní pásmo pro data vizuálního oddball experimentu. Pro EEG-fMRI data s úkolem sémantického rozhodování, frekvenční závislost nebyla ve finálních výsledcích tak evidentní, neboť všechna pásma zobrazily vizuální síť a nezobrazily aktivace v řečových centrech. Tyto výsledky byly pravděpodobně poškozeny artefaktem mrkání v EEG datech. Koeficienty vzájemné informace mezi rozdílnými EEG-fMRI statistickými parametrickými mapami ukázaly, že podobnosti napříč různými frekvenčními pásmy jsou obdobné napříč různými úkoly (tj. vizuální oddball a sémantické rozhodování). Navíc, koeficienty prokázaly, že průměrování napříč různými elektrodami zájmu nepřináší žádnou novou informaci do společné analýzy, tj. signál na jednom svodu je velmi rozmazaný signál z celého skalpu. Z těchto důvodů začalo být třeba lépe zakomponovat informace ze svodů do EEG-fMRI analýzy, a proto jsme navrhli více obecný prostorovo-frekvenční heuristický model a také jak ho odhadnout za pomoci prostorovo-frekvenční skupinové analýzy nezávislých komponent relativního výkonu EEG spektra. Získané výsledky ukazují, že prostorovo-frekvenční heuristický model vizualizuje statisticky nejvíce signifikantní s úkolem spřažené mozkové sítě (srovnáno s výsledky prostorovo-frekvenčních vzorů absolutního výkonu a s výsledky zobecněného frekvenčního heuristického modelu). Prostorovo-frekvenční heuristický model byl jediný, který zaznamenal s úkolem spřažené aktivace v řečových centrech na datech sémantického rozhodování. Mimo fúzi prostorovo-frekvenčních vzorů s fMRI daty, jsme testovali stabilitu odhadů prostorovo-frekvenčních vzorů napříč různými paradigmaty (tj. vizuální oddball, semantické rozhodování a resting-state) za pomoci k-means shlukovacího algoritmu. Dostali jsme 14 stabilních vzorů pro absolutní EEG výkon a 12 stabilních vzorů pro relativní EEG výkon. Ačkoliv 10 z těchto vzorů vypadají podobně napříč výkonovými typy, prostorovo-frekvenční vzory relativního výkonu (tj. vzory prostorovo-frekvenčního heuristického modelu) mají vyšší evidenci k úkolům.
|
|
|
Video summarization with deep neural networks
Matějek, Libor ; Slanina, Martin (referee) ; Frýza, Tomáš (advisor)
The work deals with machine learning and application in the field of video summarization. The thesis includes a basic introduction to neural networks and related data. It also describes the basic architectures of neural networks. The greatest emphasis is placed on convolutional neural networks, which are pivotal in the field of image processing. A further approximation is subject to the mathematical vector reduction of PCA and the Euclidean distance description. The theoretical part closes with information about K Means clustering. The implementation is then realized using the Tensorflow framework with API from Keras.
|
|
|
Combinatorial optimization problems in waste management
Michalová, Jitka ; Šeda, Miloš (referee) ; Kůdela, Jakub (advisor)
This master’s thesis is focused on creation of an optimization model for the location allocation problem. The first part of the thesis is an introduction to optimization, which describes the most common methods for solving optimization problems and contains a list of approaches and methods most commonly used in waste management. The next part deals with the creation of a binary integer programming problem, its application to real data and a comparison of MATLAB and ILOG CPLEX solvers. Lastly, hierarchical and kmeans clustering are introduced, they are then applied to specific largescale problems.
|
guest ::
