|
|
Sparse Signal Recovery via Convex Optimization
Novosadová, Michaela
We propose recovering 1D piecewice linear signal using a sparsity-based method consisting of two steps. The first step is signal segmentation via optimization algorithms solving sparsity based model. Second step consists of applying an ordinary mean square method on each detected segment of the signal. We show results of our experiments on two types of the signal.
|
|
|
The EEG segmentation
Nečadová, Anežka ; Kozumplík, Jiří (referee) ; Kubicová, Vladimíra (advisor)
Subject of this bachelor project is the introduction of the EEG signal. Are discussed his characteristics, application and methods of processing. The main part deals with the segmentation of the EEG signal. Two methods are implemented in program Matlab - adaptive segmentation based on differential average amplitude and differential average frequency and adaptive segmentation based on differential estimated based on FFT. Functionality of algorithms is verified on real EEG signals.
|
|
|
Automated EEG data segmentation
Krupka, Ondřej ; Ronzhina, Marina (referee) ; Bubník, Karel (advisor)
This bachelor's thesis deals with EEG signal, its properties, usage and its processing methods. The main task is introduction with different methods of automatic EEG data segmentation. Furthermore the subject of this project is realization of some methods in MATLAB software, verification of functionality and mutual comparison of segmentation results.
|
|
|
Data Analysis for Predictive Maintenance of a Robotic Arm
Žitný, Roland ; Rozman, Jaroslav (referee) ; Janoušek, Vladimír (advisor)
The Mitsubishi MELFA robotic arms used in modern factories work almost without interruption and produce sensory data about their operation. Various analysis techniques can be applied to such data for predictive maintenance, which provide information on the condition and maintenance needs of such robotic arms. The proposed predictive maintenance process consists of a sensory data acquisition system using the slmpclient and mitsubishi-monitor libraries, an analysis method system with anomaly detection using a convolutional autoencoder, anomaly classification using convolutional neural networks, and data segmentation into segments of individual robot actions using hidden Markov models. Such analysis techniques provide information on the severity, type, and location of emerging faults and abnormalities in behavior, which then determine the time required to perform the required maintenance. This work presents a created chain of predictive maintenance processes, where the obtained findings provide valuable insights into the application of predictive maintenance of Mitsubishi MELFA robotic arms in an industrial environment.
|
|
|
Image Edge Detection Using Convex Optimisation
Novosadová, Michaela ; Róka, Rastislav (referee) ; Dostál, Otto (referee) ; Rajmic, Pavel (advisor)
Detekce hran v obraze je jednou z nejdůležitějších technik v oblasti digitálního zpracování obrazu. Bývá používána, mimo jiné, jako první krok segmentace obrazu. I proto stále zůstává v oblasti zájmu vědců, kteří se snaží vyvíjet stále lepší detekční přístupy. Hlavním cílem této práce je nalezení vhodné metody detekce hran v obraze pomocí konvexní optimalizace. Navržená metoda je založená na řídkém modelování, a její hlavní část je formulována jako konvexní optimalizační problém, který je řešen pomocí proximálních algoritmů. Pro definici optimalizačního problému se předpokládá, že signál může být modelován jako přeparametrizovaný po částech polynomiální signál, který se skládá z disjunktních segmentů. Počet těchto segmentů je výrazně menší než je počet vzorků signálu, což vybízí k použití řídkosti. Návrh vhodného optimalizačního problému nejdříve probíhá na jednorozměrných signálech, jelikož implementace a porovnání jednotlivých algoritmů je pro jednorozměrné signály výrazně jednodušší a časově méně náročná, než pro dvojrozměrné. První část práce se věnuje představení základní teorie z oblasti zpracování signálu, řídkosti, konvexní optimalizace a proximálních algoritmů, a dále prezentuje průřez používanými metodami pro hranovou detekci v obraze. Druhá část práce se zaměřuje na návrh a následné vyhodnocení jednotlivých optimalizačních problémů pro segmentaci jednorozměrných syntetických signálů, které jsou poškozeny šumem. Vyhodnocení je provedeno jak z pohledu přesnosti detekce skoků tak i odšumění. Poslední část práce je věnována rozšíření nejlépe fungujícího přístupu k detekci skoků v jednorozměrném signálu pro použití na detekci hran v obraze. V této části je navržený přístup testován na standardizovaném datasetu obrázků, který obsahuje manuálně označené hrany od několika subjektů. Výsledky navržené metody jsou vyhodnoceny pomocí precision-recall křivek a jejich maximálního F skóre a následně porovnány s ostatními metodami hranové detekce.
|
|
|
Sparse Signal Recovery via Convex Optimization
Novosadová, Michaela
We propose recovering 1D piecewice linear signal using a sparsity-based method consisting of two steps. The first step is signal segmentation via optimization algorithms solving sparsity based model. Second step consists of applying an ordinary mean square method on each detected segment of the signal. We show results of our experiments on two types of the signal.
|
|
|
The EEG segmentation
Nečadová, Anežka ; Kozumplík, Jiří (referee) ; Kubicová, Vladimíra (advisor)
Subject of this bachelor project is the introduction of the EEG signal. Are discussed his characteristics, application and methods of processing. The main part deals with the segmentation of the EEG signal. Two methods are implemented in program Matlab - adaptive segmentation based on differential average amplitude and differential average frequency and adaptive segmentation based on differential estimated based on FFT. Functionality of algorithms is verified on real EEG signals.
|
|
|
Automated EEG data segmentation
Krupka, Ondřej ; Ronzhina, Marina (referee) ; Bubník, Karel (advisor)
This bachelor's thesis deals with EEG signal, its properties, usage and its processing methods. The main task is introduction with different methods of automatic EEG data segmentation. Furthermore the subject of this project is realization of some methods in MATLAB software, verification of functionality and mutual comparison of segmentation results.
|
|
|
The EEG segmentation
Nečadová, Anežka ; Kozumplík, Jiří (referee) ; Kubicová, Vladimíra (advisor)
Subject of this bachelor project is the introduction of the EEG signal. Are discussed his characteristics, application and methods of processing. The main part deals with the segmentation of the EEG signal. Two methods are implemented in program Matlab - adaptive segmentation based on differential average amplitude and differential average frequency and adaptive segmentation based on differential estimated based on FFT. Functionality of algorithms is verified on real EEG signals.
|
guest ::
