Využití učících se slovníků na řídkou reprezentaci signálů

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.