Využití učících se slovníků na řídkou reprezentaci signálů

Simple item page
but.committeeprof. 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)cs
but.defenceStudent 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.cs
but.jazykčeština (Czech)
but.programKybernetika, automatizace a měřenícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorMihálik, Ondrejcs
dc.contributor.authorEttl, Ondřejcs
dc.contributor.refereeJirgl, Miroslavcs
dc.date.created2024cs
dc.description.abstractPráce 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.cs
dc.description.abstractThis 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.en
dc.description.markCcs
dc.identifier.citationETTL, O. Využití učících se slovníků na řídkou reprezentaci signálů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.cs
dc.identifier.other158921cs
dc.identifier.urihttp://hdl.handle.net/11012/246007
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectŘídká reprezentacecs
dc.subjectLASSOcs
dc.subjectučení slovníkucs
dc.subjectMODcs
dc.subjectK-SVDcs
dc.subjectSRCcs
dc.subjectklasifikace polohy v postelics
dc.subjectSparse representationen
dc.subjectLASSOen
dc.subjectdictionary learningen
dc.subjectMODen
dc.subjectK-SVDen
dc.subjectSRCen
dc.subjectin-bed position classificationen
dc.titleVyužití učících se slovníků na řídkou reprezentaci signálůcs
dc.title.alternativeLearning dictionaries for sparse signal representationen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2024-06-05cs
dcterms.modified2024-06-06-13:57:57cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid158921en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:41:42en
sync.item.modts2025.01.15 17:59:20en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav automatizace a měřicí technikycs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
16.81 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
13.83 MB
Format:
Unknown data format
Description:
file appendix-1.zip
Download
Thumbnail Image
Name:
review_158921.html
Size:
6.99 KB
Format:
Hypertext Markup Language
Description:
file review_158921.html
Download
Collections
2024