|
|
Systém identifikace vlaků ve výhybkách pomocí pokročilých metod strojového učení
Krč, Rostislav ; Vorel,, Jan (oponent) ; Plášek, Otto (oponent) ; Podroužek, Jan (vedoucí práce)
Tato disertační práce pojednává o možnostech automatického rozpoznání vlaků ve výhybkách na základě akcelerometrických dat. Byl zohledněn současný stav poznání včetně požadavků výzkumných projektů jako S-Code, In2Track a Výhybka 4.0. V provedených experimentech byly uvažovány různé architektury umělých neuronových sítí (ANN) a statisticky vyhodnoceny různé scénáře použití. Výsledná přesnost dosáhla 89.2 % pro konvoluční neuronovou síť (CNN), která byla vybrána jako vhodná základní architektura pro další experimenty. Projevila se vysoká schopnost zobecnění problému, jelikož modely natrénované na datech z jedné lokality byly schopné určit typ lokomotivy na jiné lokalitě. Další experimenty posuzovaly vliv filtrů a redukce šumu. Ukázalo se, že natrénované modely jsou vhodné pro aplikaci in-situ s ohledem na hardwarová omezení, neboť mají malé nároky na paměť a výpočetní výkon. Kvůli omezenému množství naměřených dat byla využita data z elektrické přenosové soustavy, což umožnilo další upřesnění navržené CNN architektury. Nejvyšší přesnosti pro klasifikaci časových řad je dosaženo pomocí hluboké vícevrstvé architektury s využitím regularizačních metod jako dropout nebo normalizace batche. Využití aktivační mapy tříd (CAM) napomohlo vysvětlení rozhodovacího procesu neuronové sítě. Prezentované výsledky prokázaly proveditelnost identifikace typů vlaků přímo ve výhybce. CNN byla zvolena jako optimální architektura pro tento úkol, vzhledem k vysoké přesnosti, schopnosti automatické filtrace a rozpoznání vzorů, což umožňuje využití end-to-end strategie. Vzhledem k nízkým výpočetním nárokům je navíc možné použití natrénovaných modelů přímo na výhybce. Byly rovněž formulovány požadavky na minimální množství dat a parametry senzorů. Tato disertační práce přispívá k porozumění problematiky identifikace typů vlaků a poskytuje pevné teoretické základy pro další výzkum.
|
|
|
Systém identifikace vlaků ve výhybkách pomocí pokročilých metod strojového učení
Krč, Rostislav ; Vorel,, Jan (oponent) ; Plášek, Otto (oponent) ; Podroužek, Jan (vedoucí práce)
Tato disertační práce pojednává o možnostech automatického rozpoznání vlaků ve výhybkách na základě akcelerometrických dat. Byl zohledněn současný stav poznání včetně požadavků výzkumných projektů jako S-Code, In2Track a Výhybka 4.0. V provedených experimentech byly uvažovány různé architektury umělých neuronových sítí (ANN) a statisticky vyhodnoceny různé scénáře použití. Výsledná přesnost dosáhla 89.2 % pro konvoluční neuronovou síť (CNN), která byla vybrána jako vhodná základní architektura pro další experimenty. Projevila se vysoká schopnost zobecnění problému, jelikož modely natrénované na datech z jedné lokality byly schopné určit typ lokomotivy na jiné lokalitě. Další experimenty posuzovaly vliv filtrů a redukce šumu. Ukázalo se, že natrénované modely jsou vhodné pro aplikaci in-situ s ohledem na hardwarová omezení, neboť mají malé nároky na paměť a výpočetní výkon. Kvůli omezenému množství naměřených dat byla využita data z elektrické přenosové soustavy, což umožnilo další upřesnění navržené CNN architektury. Nejvyšší přesnosti pro klasifikaci časových řad je dosaženo pomocí hluboké vícevrstvé architektury s využitím regularizačních metod jako dropout nebo normalizace batche. Využití aktivační mapy tříd (CAM) napomohlo vysvětlení rozhodovacího procesu neuronové sítě. Prezentované výsledky prokázaly proveditelnost identifikace typů vlaků přímo ve výhybce. CNN byla zvolena jako optimální architektura pro tento úkol, vzhledem k vysoké přesnosti, schopnosti automatické filtrace a rozpoznání vzorů, což umožňuje využití end-to-end strategie. Vzhledem k nízkým výpočetním nárokům je navíc možné použití natrénovaných modelů přímo na výhybce. Byly rovněž formulovány požadavky na minimální množství dat a parametry senzorů. Tato disertační práce přispívá k porozumění problematiky identifikace typů vlaků a poskytuje pevné teoretické základy pro další výzkum.
|
host ::
RSS.