|
|
Využití umělé inteligence k monitorování stavu obráběcího stroje
Popara, Nikola ; Bražina, Jakub (oponent) ; Kovář, Jiří (vedoucí práce)
Práca je zameraná na monitorovanie najviac namáhaných častí obrábacieho stroja. Použitá metóda umelej inteligencie je rekurentná neurónová sieť a jej modifikácie. Nakoľko dáta zo senzorov mali sekvenčný charakter, bolo vhodné zvoliť práve rekurentnú neuóonovú sieť. Práca sa zaoberá riešením troch úloh. Prvá úloha bola zameraná na stanovenie predpokladaného opotrebenia frézy, na základe nepriamej metódy využívajúcej neurónovú sieť. Ďalšia úloha sa zameriava na detekciu poruchy ložíska na základe dát získaných z akcelerometra. Treťou úlohou bolo predikovať dobu do poškodenia monitorovaného ložiska.
|
|
|
Rekurentní neuronové sítě pro rozpoznávání řeči
Nováčik, Tomáš ; Karafiát, Martin (oponent) ; Veselý, Karel (vedoucí práce)
Tato diplomová práce se zabývá implementací rekurentních neuronových sítí v prostředí jazyka lua za pomocí knihovny torch. Řeší problematiku trénování rekurentních neuronových sítí a to jak z hlediska optimální trénovací strategie, tak z hlediska urychlení trénovacího procesu. Zkoumá zakomponování technik batch normalizace a dropout do architektur rekurentních neuronových sítí. Jednotlivé typy rekurentních sítí jsou následně porovnány na úkolu rozpoznávání řeči prostřednictvým datové sady AMI, kde slouží pro modelování akustického modelu, a dochází ke srovnání s klasickou dopřednou neuronovou sítí. Nejlepší výsledek je dosažen prostřednictvým rekurentní neuronové sítě BLSTM. Následně dojde k natrénování rekurentních neuronových sítí prostřednictvím objektivní funkce CTC na databázi TIMIT, kde nejlepšího výsledku opět dosáhne BLSTM.
|
|
|
Image Captioning with Recurrent Neural Networks
Kvita, Jakub ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
In this work I deal with automatic generation of image captions by using multiple types of neural networks. Thesis is based on the papers from MS COCO Captioning Challenge 2015 and character language models, popularized by A. Karpathy. Proposed model is combination of convolutional and recurrent neural network with encoder--decoder architecture. Vector representing encoded image is passed to language model as memory values of LSTM layers in the network. This work investigate, whether model with such simple architecture is able to generate captions and how good it is in comparison to other contemporary solutions. One of the results is that the proposed architecture is not sufficient for any image captioning task.
|
|
|
Codec Detection from Speech
Jon, Josef ; Matějka, Pavel (oponent) ; Černocký, Jan (vedoucí práce)
This thesis deals with codec detection from compressed speech signal. The primary goal was to identify which features distinguish selected codecs, and then create an environment facilitating experiments with various types of classifiers and their configurations. Support vector machines and neural networks, modeled using the Keras library, were used. The main contribution of this work is the experimental part, in which the effects of the neural networks parameters are discussed. After tuning the parameters and finding their optimal values, the network achieved accuracy over 98% on a test set comprising data from six different codecs.
|
|
|
Pokročilé hodnocení kvality spánku
Doležalová, Anna ; Králík, Martin (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová se zabývá pokročilým hodnocením kvality spánku pomocí hlubokého učení. Jsou zde popsány metriky pro hodnocení spánku a jejich využití. Pro klasifikaci jsou použity data tepové frekvence a akcelerometru pocházejících z chytrých hodinek Apple Watch. Základem pro klasifikaci byl model složený z 1D konvolučních sítí v kombinaci s rekurentní neuronovou sítí. Jako rekurentní sítě byly využity LSTM a GRU. Modely byly naučeny na klasifikaci do dvou, třech a pěti spánkových fází. V poslední řadě byly srovnány vzniklé metody.
|
|
| |
|
|
EEG Classification Model for Emotion Detection Using Python
Vengerová, Veronika ; Zaheer, Muhammad Asad (oponent) ; Jawed, Soyiba (vedoucí práce)
This thesis deals with the task of recognizing emotions from electroencephalogram (EEG). Two models were trained for binary classification of emotions, where one classifies neutral emotion or fear and the other classifies happiness or sadness. During the work on this thesis many different architectures were tried, and the best result was obtained using a model with two branches of CNN-LSTM connected before the output layer. The resulting accuracy was 87.309% for sad-happy classification and 84.865% for neutral-fear emotion.
|
|
|
Detekce objektů a sledování trasy pohybu účastníků provozu pro potřeby inteligentních dopravních uzlů
Vymazal, Tomáš ; Kiac, Martin (oponent) ; Burget, Radim (vedoucí práce)
Diplomová práce se zaměřuje na problematiku detekce objektů. Je navržen experiment, který posuzuje detekční modely YOLOv5, YOLOR, Scaled-YOLOv4 a EfficientDet a po- rovnává jejich vlastnosti (rychlost detekce, pamětové nároky, přesnost a jistotu detekce). K tomuto účelu je vytvořena vlastní datová sada, na které jsou tyto parametry zkoumány. Ze studie vyplývá, že nejlépe je na tom síť YOLOv5. Pro trasování objektů je použit deep SORT, který je důležitý pro následné získání trénovacích dat z videozáznamu pro predikci pohybu objektů. Přidanou hodnotou je návrh predikčního algoritmu, který je založený na polynomiálním regresním modelu.
|
|
|
Pokročilé hodnocení kvality spánku
Doležalová, Anna ; Králík, Martin (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová se zabývá pokročilým hodnocením kvality spánku pomocí hlubokého učení. Jsou zde popsány metriky pro hodnocení spánku a jejich využití. Pro klasifikaci jsou použity data tepové frekvence a akcelerometru pocházejících z chytrých hodinek Apple Watch. Základem pro klasifikaci byl model složený z 1D konvolučních sítí v kombinaci s rekurentní neuronovou sítí. Jako rekurentní sítě byly využity LSTM a GRU. Modely byly naučeny na klasifikaci do dvou, třech a pěti spánkových fází. V poslední řadě byly srovnány vzniklé metody.
|
|
|
Gpon Attacks And Errors Classification
Tomašov, Adrián
This paper focuses on various types of attacks and errors in an activation process of Gigabitcapablepassive optical networks. The process sends messages via Physical Layer Operation Administrationand Maintenance header field inside the transmitted frame. An exemplar network communicationis captured by a special hardware-accelerated network interface card capable of processing opticalsignals from passive optical networks. The captured data is filtered of irrelevant parts and messagesand correctly formatted into a suitable shape for a neural network. The filtered data is divided intosmall sequences called time windows and analyzed using a recurrent neural network-based on Gatedrecurrent unit cells. A new neural network model is designed to classify sequences into several categories:additional message, missing message, error inside (noisy) message, and message order error.All of these categories represent a certain type of attack or error. The proposed model can distinguishmessage sequences into these categories with high accuracy resulting in revealing a possible attackeror drift from protocol recommendation.
|
host ::
RSS.