Využití učících se slovníků na řídkou reprezentaci signálů
Loading...
Date
Authors
Ettl, Ondřej
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Práce se zaměřuje na zkoumání dat z měření na tlakové matraci, která využívá pro sběr dat matici senzorů 30 × 11. Tyto data se dále použijí k trénování a testování učících slovníků, které jsou sestavovány pomocí řídké reprezentace signálu. Mezi aplikované metody učení patří metoda optimálního směru (MOD) a K-SVD, která využívá singulární rozklad. Výsledné slovníky pro různý počet iterací či atomů, jsou pak použity na klasifikaci a rekonstrukci testovacích dat. Pomocí křížové validace se vyhodnocoval senzitivita modelů, která byla pak porovnávána s běžnými klasifikátory. Mezi tyto modely patřily rozhodovací stromy, KNN a SVM. Na závěr se ověřila schopnost učících se slovníků filtrovat chybu v poškozeném obraze.
This thesis focuses on examining data from measurements on a pressure mattress that uses a 30 × 11. sensor grid to collect. This data will be used to train and test learners dictionaries that are built using sparse signal representation. Applied learning methods include the method of optimal direction (MOD) and K-SVD, which uses singular decomposition. The resulting dictionaries for different numbers of iterations or atoms are then used to classify and reconstruction of the test data. Cross-validation determined the true positive ratio of the models, which was then compared with conventional classifiers. These models included Decision trees, KNNs and SVMs. Finally, the ability of the learning dictionaries was verified to filter the error in the corrupted image.
This thesis focuses on examining data from measurements on a pressure mattress that uses a 30 × 11. sensor grid to collect. This data will be used to train and test learners dictionaries that are built using sparse signal representation. Applied learning methods include the method of optimal direction (MOD) and K-SVD, which uses singular decomposition. The resulting dictionaries for different numbers of iterations or atoms are then used to classify and reconstruction of the test data. Cross-validation determined the true positive ratio of the models, which was then compared with conventional classifiers. These models included Decision trees, KNNs and SVMs. Finally, the ability of the learning dictionaries was verified to filter the error in the corrupted image.
Description
Citation
ETTL, O. Využití učících se slovníků na řídkou reprezentaci signálů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
prof. Ing. Jiří Koziorek, Ph.D. (předseda)
doc. Ing. Petr Fiedler, Ph.D. (místopředseda)
Ing. Martin Čala, Ph.D. (člen)
Ing. Miroslav Jirgl, Ph.D. (člen)
Ing. Stanislav Klusáček, Ph.D. (člen)
Ing. Lukáš Pohl, Ph.D. (člen)
Date of acceptance
2024-06-05
Defence
Student obhájil diplomovou práci s výhradami. V rámci obhajoby dokázal přesvědčit komisi o správnosti svých postupů a navrženého řešení. V průběhu odborné rozpravy reagoval na dotazy oponenta a komise.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení