|
| |
|
|
Metody umělé inteligence v geoinformatice
Voženílek, V. ; Dvorský, J. ; Húsek, Dušan
Kniha „Metody umělé inteligence v geoinformatice,“ (editoři: Voženílek, V. - Dvorský, J. - Húsek, D) vydaná Univerzitou Palackého v Olomouci (r. 2011. 184 s. ISBN 978-80-244-2945-8) je závěrečným výstupem projektu GAČR 205/09/1079 – „Metody umělé inteligence v GIS“. Cílem knihy bylo shrnout dosažené výsledky výzkumu v oblasti využití metod umělé inteligence při zpracování, vizualizaci a interpretaci prostorových informací v prostředí geografických informačních systémů. Projekt byl společnou výzkumnou aktivitou odborníků různých specializací z Univerzity Palackého v Olomouci a VŠB-Technické univerzity v Ostravě a Ústavu informatiky Akademie věd ČR zaměřenou na integraci metod používaných při řešení úloh umělé inteligence a metod zpracování prostorových dat, jejichž spolupráce je nezbytná pro rozvoj nových moderních výzkumných metod a technologií.
|
|
|
Shluková analýza rozsáhlých souborů dat: nové postupy založené na metodě k-průměrů
Žambochová, Marta ; Řezanková, Hana (vedoucí práce) ; Húsek, Dušan (oponent) ; Antoch, Jaromír (oponent)
Abstrakt Shluková analýza se stala jedním z hlavních nástrojů používaných při získávání znalostí z dat, které je označováno jako data mining. V této nové oblasti analýzy dat se často zpracovávají datové soubory velkých rozměrů, a to jak co do počtu sledovaných objektů, tak co do počtu proměnných, kterými jsou objekty charakterizovány. Pro shlukování dat bylo vyvinuto mnoho metod. Jednou z často používaných technik je metoda k-průměrů. Jejím základem je hledání nejlepšího přiřazení objektů do shluků na principu inicializačního rozdělení objektů a následného postupného přerozdělování s využitím optimalizační funkce. Cílem této disertační práce bylo jednak porovnání vybraných existujících variant metody k-průměrů, detailní charakteristika jejich pozitivních a negativních vlastností, jednak návrh nových modifikací této metody a jejich experimentální srovnání s již existujícími přístupy. Tyto cíle byly splněny. Ve své práci jsem se zaměřila na modifikace metod k-průměrů pro shlukování velkého počtu objektů, konkrétně na algoritmy BIRCH k-průměrů, filtrovací, dvou- fázový a k-průměrů++. Experimentálně jsem sledovala časovou náročnost jednotlivých algoritmů, vliv inicializačních rozdělení, vliv odlehlých objektů a validitu výsledných shluků. Při experimentech byly použity dva reálné datové soubory a dále několik souborů generovaných. V závěru práce jsou shrnuty společné a rozdílné rysy zkoumaných variant metody k-průměrů s důrazem na výše uvedená hlediska. Přínosem práce je tedy kromě zhodnocení současných variant metody k-průměrů především návrh výše uvedených nových modifikací, jejich naprogramování a experi- mentální ověření. Modifikace přinesly zejména urychlení výpočtu způsobené zjedno- dušením práce s účelovou funkcí a kritérií ukončení programu. Aplikování hlavní myšlenky algoritmu k-průměrů++ do jiných variant metody k-průměrů přineslo lepší vý-sledky shlukování z hlediska variability. Nejzásadnější z navržených změn je modifi-kace filtrovacího algoritmu, která přináší zcela novou vlastnost této metody, a to odhalení odlehlých objektů. Součástí práce je CD, které obsahuje zdrojové kódy jednotlivých programů vytvořených ve vývojovém prostředí MATLAB. Programy byly vytvořeny speciálně pro účely této práce a jsou určeny pro experimentální použití. CD také obsahuje datové soubory využívané k jednotlivým pokusům.
|
|
| |
|
|
Classification Methods for Brain-Computer Interface
Bobrov, P. ; Frolov, A. A. ; Húsek, Dušan
The performance of four classifiers for Brain Computer Interface (BCI) systems based on multichannel EEG recordings is tested in this work. The classifiers are designed to distinguish EEG patterns corresponding to performance of several mental tasks. It is shown that relatively simple classifiers based on the Bayesian approach are comparable in classification accuracy with more sophisticated classifiers based on Common Spatial Patterns and Common Tensor Discriminant Analysis
|
|
| |
|
| |
|
|
New Developments in Fuzzy Cluster Analysis
Řezanková, H. ; Húsek, Dušan
The paper deals with a special class of cluster analysis methods where a membership degree is calculated for each object and each cluster. These methods are investigated under the name fuzzy cluster analysis. We present some emerging topics in this area, such as relation fuzzy clustering, soft clusters ensembles, similarity of fuzzy clusters, visualization of clustering results, simultaneous clustering and feature discrimination, and techniques for cluster number determination. Some tasks are illustrated by clustering of binary variables.
|
|
|
Special Issue on Hybrid Intelligent Systems 2007
Abraham, A. ; Húsek, Dušan ; Snášel, V.
Special Issue on Hybrid Intelligent Systems 2007. Neural Network World. Vol. 17, No. 6 (2007), p.505-688 The issue contains papers prepared specially for this issue by authors of some best evaluated papers presented on HIS'07) at Kaiserslautern, Germany, during September 17-19, 2007. The Current research interests in HIS and covered in this issue focus on integration of the different computing paradigms such as fuzzy logic, euro-computation, evolutionary computation, probabilistic computing, intelligent agents, machine learning, and other intelligent computing frameworks. There is also a growing interest in the role of sensors, their integration and evaluation in such frameworks. The phenomenal growth of hybrid intelligent systems and related topics has obliged.
|
|
|
Special Issue on the 18th International Conference on Artificial Neural Networks
Húsek, Dušan ; Neruda, Roman ; Koutník, J.
Special Issue on the 18th International Conference on Artificial Neural Networks. Neural Network World. Vol. 19, No. 5 (2009). The issue contains papers prepared specially for this issue by authors of some best evaluated papers presented on ICANGA 2008 conference. Covered are mainly following topics: Mathematical Theory of Neurocomputing, Computational Neuroscience, Connectionist Cognitive Science, Neuroinformatics, Image Processing, Signal and Time Series Processing, Reinforcement Learning, Binary Factor Analysis, Principal Component Analysis, Self-organization, Neural Network Hardware.
|
host ::
RSS.