Welcome to the BUT Digital Library - an institutional repository operated by the Central Library on the DSpace system.

Do you want to deposit your article or preceedings into Digital Library? It is very simple. You can find all the information in the manual published online on BUT Portal of libraries.

Central Library supports open access to scientific publishing - Open Access.

You can also request for grant for open publishing from Open Access Fund You can find more information OA fund web page.

Into the Digital Library is integrated citation manager Citace PRO. It will allow you to easily create a bibliographic citation or save a record in the manager.

Communities in DSpace

Select a community to browse its collections.

Recent Submissions

  • Thumbnail Image
    Item type:Item, Access status: Open Access ,
    Vývoj modifikovaných pojiv a asfaltových směsí s optimalizovanou zrnitostí
    (Vysoké učení technické v Brně. Fakulta stavební) Veselý, Petr; Dašek, Ondřej; Bačová, Katarina; Hýzl, Petr
    Disertační práce se zabývá komplexním hodnocením vlastností asfaltových pojiv a velmi hrubých asfaltových směsí. První část práce se zabývá synergickými účinky kombinace kyseliny polyfosforečné (PPA) a styren-butadien-styrenu (SBS), jako modifikačních přísad asfaltových pojiv, s cílem snížit celkový obsah použité modifikace, a tím i cenu a emise modifikovaného pojiva. Práce hodnotí, zda je možné kombinací modifikačních přísad zlepšit stabilitu pojiv při vysokých teplotách, nízkoteplotní vlastnosti a odolnost proti stárnutí. Práce odhalila, že modifikace mají v některých případech synergický účinek a mohou nabídnout výkonnostní výhody oproti jejich samostatnému použití. Druhá část práce se zaměřuje na vývoj a hodnocení velmi hrubé směsi ACP 32 s cílem využití velmi hrubého kameniva a uvolnění nátlaku průmyslu na nedostatkové frakce kameniv. Varianty směsi byly testovány z hlediska modulů tuhosti, únavových charakteristik, odolnosti proti trvalým deformacím a nízkoteplotní odolnosti. Výsledky prokázaly, že směs ACP 32 může splňovat požadavky českých technických předpisů pro vrstvy typu ACP 22, což umožňuje její zařazení mezi směsi pro podkladní vrstvy.
  • Thumbnail Image
    Item type:Item, Access status: Open Access ,
    Inteligentní nástroj pro obsahovou analýzu specifické audiovizuální tvorby
    (Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií) Sikora, Pavel; Říha, Kamil; Róka, Rastislav; Flašar, Martin
    Tato disertační práce se zabývá vývojem inteligentního nástroje pro analýzu obsahu specifické audiovizuální tvorby s využitím moderních metod umělé inteligence. Práce reaguje na rostoucí potřebu kvalitní automatizované analýzy uměleckých audiovizuálních děl, jejichž specifické prvky činí běžné analytické postupy nedostatečnými a časově náročnými. Hlavním cílem je návrh robustní klasifikační metodiky pro vizuální a zvukový obsah, a realizace interaktivního webového nástroje pro efektivní analýzu bibliografických a obsahových dat pro uměnovědce. Práce dále zahrnuje vytvoření detailně anotované datové sady se speciálně definovanými kategoriemi pro trénink a validaci pokročilých CNN modelů. Experimentální část práce ověřuje účinnost předtrénovaného modelu CNN a modelů VGG, Inception ResNet, Xception a NASNet trénovaných speciálně na vytvořené datové sadě. Pro audio analýzu byly trénovány modely CNN 14, ResNet a Wavegram-Logmel-CNN. Výsledky ukazují přesnost, jež potvrzuje vhodnost zvolených metod pro daný typ dat. Dalším výsledkem práce je komplexní, uživatelský přívětivý webový nástroj umožňující interaktivní zkoumání audiovizuálních dat, jakož i rozhraní pro detailní tvorbu datové sady.
  • Thumbnail Image
    Item type:Item, Access status: Open Access ,
    Adaptive IMM-Based Smoothing Probabilistic Data Association for Maneuvering Target Tracking in Cluttered Environments
    (Radioengineering Society, 2026-04) Cheng, Y.; Zhang, X.; Yan, Y.
    Modern radar systems face many challenges, including complex nonlinear motion modelling, real-time changes of target motion model and difficult target trajectory estimation under low signal noise ratio when tracking high maneuvering targets in a cluttered environment. Therefore, an improved probabilistic data association tracking algorithm, termed adaptive transition probability matrix and improved smoothing integrated probabilistic data association (ATPM-ISIPDA) by embedding adaptive interactive multiple models (IMM) and parallel cubature information filter (PCIF) is proposed. Based on the fixed-lag smoothing integrated probabilistic data association (FLSIPDA) and IMM framework, the proposed algorithm uses the model posterior information to adaptively adjust the model transition probability, thereby enhancing model matching accuracy. Additionally, the parallel cubature information filter (PCIF) is utilized in each IMM sub-filter to suppress the state estimation error of nonlinear systems. In the fusion stage, the multi-branch cubature Kalman filter (CKF) prediction results are fused by the weighted accumulation method of the information matrix and vector, and the optimized smoothed state predictions and covariance matrices are generated. Then, the smoothed component data association probability is calculated to obtain the final state estimate, enhancing the fusion and smoothing performance of forward and backward tracks. The simulation results show that compared to the traditional IMM-IPDA algorithm, the average position RMSE is reduced by 31.1%, the FTD accuracy is improved by 15%-20%, and it still maintains a good tracking confirmation rate in cluttered environments.
  • Thumbnail Image
    Item type:Item, Access status: Open Access ,
    Enhanced Recognition of Naval Ship HRRP Targets Using Improved Adaptive Threshold Wavelet Denoising
    (Radioengineering Society, 2026-04) Hong, Z. R.; Lu, Q. F.; Bao, G. Q.
    To address the challenges of noise interference and low signal-to-noise ratio (SNR) in measured one-dimensional ship range profile data, which significantly affect target recognition, a new method is proposed. An improved adaptive threshold wavelet denoising (IATWD) method is introduced. Initially, the two critical parameters of wavelet denoising (WD)—namely, the threshold and threshold functions (TFs)—are optimized. For threshold optimization, a formula related to the number of decomposition levels, the noise standard deviations per level, and the signal length is developed. As decomposition levels change, an optimal threshold can be adaptively determined for each level. Regarding threshold function (TF) improvement, an enhanced TF is designed that flexibly adjusts based on the benefits of both soft and hard TFs. Subsequently, by analyzing the interactions between the variable factors, wavelet base functions, and decomposition levels, optimal parameters for this denoising method are selected. Finally, the efficacy of the denoising and its impact on recognition were validated using denoising evaluation metrics and a Support Vector Machine (SVM) for both simulated and empirical data. Experimental results with both data types demonstrate that the IATWD method significantly outperforms both traditional WD and comparative improved methods in terms of denoising effectiveness and recognition rates.
  • Thumbnail Image
    Item type:Item, Access status: Open Access ,
    Explainable Spectrum Prediction Based on VMD-LSTM
    (Radioengineering Society, 2026-04) Xu, W.; Zhang, J.; Su, Z.
    To improve the accuracy and interpretability of neural network enabled spectrum prediction, an explainable spectrum prediction framework based on Variational Mode Decomposition (VMD) and Long Short-Term Memory (LSTM) networks, integrated with the Shapley Additive Explanations (SHAP) method (VMD-LSTM), is proposed in this work. Firstly, the raw spectrum data is decomposed into multiple Intrinsic Mode Functions (IMFs) via VMD to reduce sequence complexity. These IMFs are then fed into the LSTM network in parallel to improve prediction accuracy. Secondly, the SHAP method is incorporated to evaluate the impact weights of individual IMF components on the prediction outcomes, revealing the model's decision-making logic. Finally, we weight the input data by multiplying each IMF by its SHAP value to optimize prediction performance. Simulation results based on real spectrum data demonstrate that the proposed VMD-LSTM significantly outperforms baseline models on the metrics of Weighted Quality Evaluation Index (WQE), Root Mean Square Error (RMSE), Mean Absolute Percentage Error (MAPE), and mean absolute error (MAE). By incorporating SHAP weights to refine the model input features, the framework not only provides transparent explanations for the black-box model but also reduces the average WQE, RMSE, and MAPE by 3.99%, 3.23%, and 3.67%, respectively.