|
|
Modern vibrodiagnostics of machines and evaluation of datasets by neural networks
Koníček, Tomáš ; Holoubek, Tomáš (referee) ; Hammer, Miloš (advisor)
This Master‘s thesis focuses on technical diagnostics with an emphasis on vibrodiagnostics of machines and equipment. The aim is to carry out research on vibration monitoring using modern on-line systems and to investigate the possibilities of processing the acquired data files using neural networks. Vibration monitoring from Siemens SIPLUS CMS is analyzed, including a description of individual hardware and software components. The work also focuses on machine diagnostics using a real model equipped with the SIPLUS CMS system in cooperation with the SIMATIC S7-1200 programmable automaton. The obtained data will be transferred via the FTP protocol for further processing in the Matlab program. Neural network models will be designed and used, which will be trained on the measured data. Convolutional neural network model will be used. The results will be evaluated and a conclusion will be drawn.
|
|
|
Deepfake Detection in Video Samples
Krumpholc, Jan ; Veigend, Petr (referee) ; Lapšanský, Tomáš (advisor)
V posledních letech si můžeme všimnout nárůstu internetových podvodů a podvrhů. Počínaje snadno odhalitelnými případy, jako je phishing a falešné reklamy, přes sociální inženýrství a dezinformační kampaně a konče útoky pomocí umělé inteligence: Syntetická media, a obzvláště deepfakes. Tyto útoky jsou velmi efektivní, protože je obtížné ověřit pravost média pro běžného uživatele, a také díky nárustu dostupnosti a efektivity těchto nástrojů pro veřejnost v posledních letech. Tato bakalářská práce je zaměřena na video deepfakes: Jaké metody se používají k jejich tvorbě, jaké jsou jejich slabé stránky a hlavně, jak tyto slabé stránky najít a rozhodnout, zda je médium deepfake či nikoli. Budeme analyzovat aktuálně nejmodernější metody detekce deepfakes, jaké jsou jejich silné a slabé stránky, a vyvineme možné nové metody detekce. Nakonec porovnáme výsledky s aktuálními řešeními a vyhodnotíme výsledek.
|
|
|
Machine Learning of Representations in Genetic Programming
Pomykal, Šimon ; Piňos, Michal (referee) ; Sekanina, Lukáš (advisor)
The aim of this thesis is to become acquainted with machine learning methods that are used for the automatic design of representations. Specifically, the work focuses on deep learning in the field of genetic programming (GP). Image processing is chosen as a case study, particularly noise reduction methods. By combining the acquired knowledge, a new representation is proposed, intended to replace the syntactic tree in the GP algorithm. This method is obtained using a transformer-type neural network. In conclusion, a modified version of GP that works with the new representation is created. This variant is compared with the original GP using the traditional representation in several experiments.
|
|
|
Simulation of Biological Processes Using Asynchronous Cellular Automata and Machine Learning
Kališ, Vojtěch ; Bidlo, Michal (referee) ; Fritz, Karel (advisor)
Tato práce zkoumá spojení asynchronních celulárních automatů a technik strojového učení pro simulaci komplexních biologických procesů. Jejím hlavním zaměřením je předvést vrozený potenciál výpočetního rámce konstruovaného spojením paralelismu aktualizačního modelu asynchronních celulárních automatů s prediktivními schopnostmi algoritmů strojového učení. Tato studie si klade za cíl demonstrovat kvality takového hybridního přístupu implementací tří matematických modelů celulárních automatů s rostoucí složitostí—tj., seřezeny podle stupně složitosti, Conwayova Hra Života, SmoothLife a Lenia—ve své základní formě a následnou integrací strojového učení do funkce dvou posledně jmenovaných, po čemž následuje porovnání výsledků obou přístupů.
|
|
|
Machine learning in audio effects
Sychra, Jakub ; Mošner, Ladislav (referee) ; Černocký, Jan (advisor)
Získávání hudebních efektů z mixovaných skladeb je složité téma, které vyžaduje znalosti jak v oblasti zpracování signálů, tak zkušenosti s audio inženýrstvím. Tato práce cílí na tvorbu systém, který by byl schopen identifikovat sekvence a parametry kytarových efektů z mixovaných skladeb. Trénovací data byla vytvořena za využití čistých kytarových zvuků z datasetu IDMT-SMT-Audio-Effects. Tyto data byla následně augmentována populárními kytarovými efekty (BitCrush, Chorus, Clipping, Compressor, Delay, Distortion, High-pass filter, Ladder filter, Low-pass filter, Limiter, Phaser a Reverb), které byly implementovány pomocí knihovny Pedalboard tvořící mezivrstvu mezi jazykem Python a standartními VST efekty. Samotný rozpoznávací systém je založený na architektuře VGGish, k níž jsou přidány klasifikační (přítomnost efektu) a regresní (parametry efektů) hlavy. Výkon modelu je hodnocen na základě přesnosti klasifikace a regrese, a také v neformálních poslechových testech.
|
|
|
Reversibility of Voice Change Methods
Lička, Zbyněk ; Firc, Anton (referee) ; Malinka, Kamil (advisor)
Moderní metody pro změnu hlasu dovolují i nezkušeným uživatelům vytvářet přesvědčívé nahrávky hlasu slavné osoby s pouze pár sekundami nahraného ukázkového hlasu. Existují dvě hlavní kategorie metod pro změnu hlasu: konverze hlasu a text-to-speech. Metody konverze hlasu vyžadují vstupní řeč, která má být konvertována do hlasu jiného řečníka. Moderní metody pro konverzi hlasu se často zabývají odstraněním či redukcí množství informací o původním řečníkovi v konvertovaném hlasu. Tato práce se zabývá možnostmi pro extrakci informací z konvertovaného hlasu s případnou kompletní rekonstrukcí vstupní řeči. Výsledky této práce odhalují poznatky o nestudované vlastnosti těchto metod.
|
|
|
Automatic Creation of Animated Video based on Textual Story
Kuchař, Josef ; Švec, Tomáš (referee) ; Smrž, Pavel (advisor)
The aim of this work is to link a diffusion model for generating human motion with a diffusion model for generating video. The solution uses current methods for generating video and motion. Video generation is carried out using an image generator equipped with an adapter for temporal consistency. The work introduces a method of connecting both diffusion models using the ControlNet network. The created solution allows for generating video from a simple text description, or a detailed scenario. The program was tested in a user study.
|
|
|
Optimalizace řízení podmínek v inteligentním skleníku
Vilimovský, Dan ; Beran, Vítězslav (referee) ; Bažout, David (advisor)
The work focuses on finding ways to optimize the operation of a smart greenhouse by reducing operating costs and facilitating the sustainability of an ideal environment for plant development in the greenhouse. The aim is to model the conditions in the greenhouse using a developed neural network model that is able to predict the values of environmental parameters such as temperature and humidity. This model is trained on real data obtained from long-term measurements in a test facility. Furthermore, the thesis deals with the possibility of using this neural network model to optimize the control of the greenhouse operation so that ideal development conditions for the plants grown or reduced electricity consumption used for the operation of appliances can be ensured in the future.
|
|
|
Cellular Automata Design Methods
Hranický, Jan ; Strnadel, Josef (referee) ; Bidlo, Michal (advisor)
This thesis addresses the problem of cellular automata design. A new method of Discrete neural cellular automaton, abbreviated DNCA, is proposed and implemented. The thesis thus deals with the problem of optimizing the transition function of the automaton using the Adam algorithm as well as a less traditional approach of differential evolution. The proposed model is successfully trained on more than ten behavior scenarios varying in difficulty.
|
|
|
Methods for initializing neural network weights and their effect on network learning
Prukner, Jakub ; Nemčeková, Petra (referee) ; Chmelík, Jiří (advisor)
This thesis examines the use of various methods for initialising the weights of artificial neural networks and monitoring their impact on network learning. Image classification from two databases, MNIST and CIFAR-10, is selected as the task for the network. The theoretical section provides an overview of the field of artificial neural networks, along with an analysis of different methods for initialising weights. The practical section includes a description of the experiments conducted, an explanation of the architectures and their associated hyperparameters. The individual experiments observe the effect of the selected methods and their respective configurations on the learning of different artificial neural network architectures. The results are compared for each dataset and architecture type, and the methods with which a the network achieved the best learning are selected. Furthermore, the methods with which the optimal learning of the network was achieved the fastest are selected. The results obtained are discussed.
|
guest ::
