|
|
Perspektivní obvodové struktury pro modulární neuronové sítě
Bohrn, Marek ; Ďuračková, Daniela (oponent) ; Husák, Miroslav (oponent) ; Fujcik, Lukáš (vedoucí práce)
Předkládaná práce se zabývá návrhem nové obvodové struktury pro implementace dopředných neuronových sítí. Navržená struktura využívá nekonvenční uspořádání sběrnic pro propojení dílčích bloků. Přínos navržené struktury spočívá v optimalizaci vytížení výpočetních bloků a zvýšení efektivity přenosu dat mezi nimi. Navržená struktura je flexibilní a vhodná pro implementace širokého spektra topologií dopředných neuronových sítí.
|
|
|
Klasifikace spánkových fázi za použití polysomnografických dat
Králík, Martin ; Kozumplík, Jiří (oponent) ; Ronzhina, Marina (vedoucí práce)
Cílem této diplomové práce je klasifikace spánkových fází za použití polysomnografických dat. Součástí práce je rešerše na dané téma a statistická analýza parametrů vypočtených ze skutečných signálů EEG, EOG a EMG, která hodnotí vhodnost jejich použití pro klasifikaci spánkových fází. Praktická část je zaměřena na automatickou klasifikaci spánkových fází za použití umělých neuronových sítí. Všechny výsledky jsou v práci prezentovány a diskutovány.
|
|
| |
|
|
Analýza AVG signálů
Musil, Václav ; Sekora, Jiří (oponent) ; Rozman, Jiří (vedoucí práce)
Předkládaná diplomová práce se zabývá vybranými metodami analýzy AVG signálů. Cílem této práce je klasifikace těchto signálů a tím přispění k možnostem neinvazivní diagnostiky ischemické choroby dolních končetin. K tomu je využito klasifikace založené na principech vícerozměrné statistické analýzy a na postupech využívajících neuronové sítě. Ke zpracování je použita angiograficky ověřená databáze dat AVG signálů. V závislosti na stupni stenózy, určené digitální subtrakční angiografií, jsou pacienti v tomto souboru roztříděni do tří separovatelných tříd. Na programové klasifikaci do jedné ze tří tříd se podílí 6 parametrů určených z AVG signálů, které byly pořízeny na třech místech měření dolní končetiny. Jako komplexní se jeví přístup k hodnocení choroby ze signálů naměřených na celé dolní končetině. Senzitivita metody shlukové analýzy vzhledem k angiografii se pohybuje v rozmezí 82,75 % až 90,90 %, specificita pak mezi 80,66 % a 88,88 %. Při klasifikaci neuronovými sítěmi jsou hodnoty senzitivity v rozmezí 79,06 % až 96,87 % a hodnoty specificity mezi 73,07 % a 91,30 %.
|
|
|
Detekce a rozpoznání objektů v obraze
Muzikářová, Michaela ; Hradiš, Michal (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato bakalářská práce se zabývá návrhem a implementací aplikace typu klient-server, která umožňuje rozpoznání objektů v obraze a využívá již existující mobilní aplikaci. V teoretické části jsou nejprve popsány rozdíly lidského a počítačového vidění, dále detekce a rozpoznání objektů včetně vybraných metod. Další sekce obsahuje popis umělých neuronových sítí, které byly pro práci hlouběji nastudovány, spolu s jejich využitím k rozpoznání objektů. Následují informace, týkající se vybraných mobilních aplikací pro rozpoznání objektů v obraze, zakončené přehledem frameworků a knihoven, umožňujících práci s neuronovými sítěmi. Z nich byl k práci zvolen Caffe Framework. Dále je popsán průběh návrhu a řešení a vytvořený systém včetně experimentů a datasetů, použitých k ověření jeho funkčnosti.
|
|
|
Movement Prediction of Wireless Nodes in Mobile Ad Hoc Networks (MANETS)
Makhlouf, Nermin ; Šimák, Boris (oponent) ; Slavíček, Karel (oponent) ; Koton, Jaroslav (vedoucí práce)
The rapid evolution in the field of mobile computing has led to a new alternative way for mobile communication, in which mobile nodes form a self-organising wireless network, called a Mobile Ad hoc Network (MANET). The specific characteristics of MANETs impose many challenges to network protocol designs on all layers of the protocol stack because of unpredictable topology changes and mobile nature. Mobility prediction is a tool to deal with the problems emerging from the nodes’ mobility by predicting future changes in the network topology. This is crucial for different tasks such as routing. In this doctoral thesis, two mobility prediction methods for MANET networks are developed. The first method supposes that each node can build its virtual map depending on its location over the time. This method is called mobility prediction using virtual map. In order to evaluate the developed prediction algorithm, it has been implemented in the network simulator NS-2. I have investigated existing mobility models, and how the prediction method can be applied to them. Simulations respectively realize performance improvement in terms of average end to end delay, packet delivery ratio and network throughput under different mobility model. The proposed prediction concept is implemented over AODV (Ad Hoc On-Demand Distance Vector) routing protocol. In the second method, I have developed an artificial neural network for movement prediction in MANETs. The prediction model for mobility has been done by the data collected from location patterns. The Bayesian technique was used for learning or training ANNs. It has been implemented in software for training Bayesian neural networks called Model Manager. The best way to evaluate the final model is done by making predictions and comparing predictions with target data. The predictions are made by using 50 patterns as input variables. The reached and in the thesis discussed results show that improvement in the most significant network parameters, i.e. delay, throughput and packet delivery ratio, are reached even by 30% compared to AODV routing protocol, where the proposed prediction model is not utilized.
|
|
|
Klasifikace EKG signálů s použitím neuronových sítí
Loviška, David ; Vítek, Martin (oponent) ; Hrubeš, Jan (vedoucí práce)
Cílem projektu Klasifikace EKG signálů pomocí neuronových sítí je zjednodušit a urychlit práci lékaře. Toho lze dosáhnout vytvořením programu schopného jednoduše a téměř okamžitě klasifikovat EKG signál s použitím umělé neuronové sítě. Vytvořený program poskytne lékaři základní informace o vloženém elektrokardiogramu, jako jsou časové intervaly a amplitudy signálu v jednotlivých zkoumaných úsecích. Následně lékaře upozorní na odchylky od normálu. Součástí programu je i grafické okno se zobrazeným signálem a na něm barevně zvýrazněny body a úseky vyhodnocené programem za zvláštní. V další fázi bude program sám klasifikovat získané údaje a určí nezávisle na lékaři diagnózu, kterou může lékař vyhodnotit a případně vlastním podpisem uznat za skutečnou diagnózu pacienta. Tento program je rovněž vhodný pro několikahodinové, až týdenní záznamy Holterova monitorování EKG.
|
|
| |
|
|
Word2vec modely s přidanou kontextovou informací
Šůstek, Martin ; Rozman, Jaroslav (oponent) ; Zbořil, František (vedoucí práce)
Tato práce se zabývá porozuměním word2vec modelů. Přestože tyto modely vznikly nedávno (2013), staly se velmi populárními. Učením těchto modelů lze obdržet vektorovou reprezentaci slov v~N-dimenzionálním prostoru reálných čísel. Pomocí operací nad těmito vektory je možné určit sémantické vazby mezi slovy. Dále se práce snaží o rozšíření představených modelů za účelem jiné reprezentace slov. K tomuto účelu je navrženo využití obrazové informace. Taktéž je diskutována možnost použití konvolučních neuronových sítí ve spojitosti s poskytnutím odlišné kontextové informace.
|
|
|
Vizuální detekce malých předmětů pomocí dostupných nástrojů v prostředí MATLAB
Sladký, Jiří ; Dobossy, Barnabás (oponent) ; Appel, Martin (vedoucí práce)
Tato práce zkoumá možnosti detekce malých objektů na obrázcích pomocí metody YOLO, algoritmu hlubokého učení dostupného v programu MATLAB. V práci byl navržen a natréno-ván detektor, jež dokáže detekovat hospodářská zvířata při pohledu shora. Vytvořen byl nástroj, který provede detekce s pomocí představeného modelu i na obrázcích o vysokém rozlišení a následně spočítá přítomné objekty. Naprogramován byl generátor syntetických obrázků, který výrazně pomohl s natrénováním tohoto modelu. Byly realizovány různé experimenty, jež vedly k nalezení hranic metody YOLO a ověřily přínos představených vylepšení.
|
host ::
RSS.