but.committee	doc. Ing. František Zbořil, CSc. (předseda) doc. RNDr. Pavel Smrž, Ph.D. (místopředseda) Ing. Michal Bidlo, Ph.D. (člen) doc. Ing. Vladimír Janoušek, Ph.D. (člen) Ing. Ondřej Kanich, Ph.D. (člen) Dr. Ing. Petr Peringer (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C. Otázky u obhajoby: Na základě čeho se zvolily využívané techniky strojového učení (Gaussovský a Bayessovský klasifikátor a jednoduchá lineární regrese bez normalizací)? Jak často je nutné provádět novou kalibraci (trénování) modelů při změně vlastností skladiště (např. zaplněnost regálů)? Je možné na základě vytvořených modelů identifikovat špatně pokrytá místa a navrhnout umístění nových kotev? Jedná se o firemní zadání? Způsob implementace jste vymyslel vy, nebo vám ho dodala firma? Inspiroval jste se něčím při vašem řešení? Je vaše řešení přenositelné do jiného prostředí (např. jiného skladu)?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie a umělá inteligence	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Šimek, Václav	cs
dc.contributor.author	Matuš, Adam	cs
dc.contributor.referee	Mrázek, Vojtěch	cs
dc.date.accessioned	2022-06-24T06:55:16Z
dc.date.available	2022-06-24T06:55:16Z
dc.date.created	2022	cs
dc.description.abstract	Tato diplomová práce se zabývá seznámením se s poziční platformou Sewio a technikami širokopásmové komunikace UWB, které platforma využívá pro určování pozic objektů. Stávající technologie je založena na měření časových intervalů příchodu signálů a multilateraci pomocí časových rozdílů. Platforma generuje a ukládá historická data z proběhlé lokalizace objektů. Datovou sadu tvoří sekvence pozičních dat, které kromě relativních souřadnic obsahují i relevantní signálové parametry bezdrátové komunikace. Po analýze pozičních dat z reálných instalací byl navržen a implementován systém strojového učení založený na technikách klasifikace Gaussovským rozložením a predikce lineární regresí. Systém funguje jako komponenta, jejiž vstupem jsou poziční data existujícího RTLS systému a výstupem je robustnější odhad pozic. Evaluační výsledky ukazují zlepšení stability pozic a odstranění konfliktních a odskočených souřadnic.	cs
dc.description.abstract	This thesis describes the Sewio platform and the communication techniques of the ultra-wideband technology standard, which the platform uses to determine the position of objects. The technology is based on measuring signal arrival time intervals and multilateration using time differences. The platform generates and stores historical data from past positioning of objects. The dataset consists of sequences of position data which, in addition to the monitored environment, contain relevant signal parameters of wireless communication. A system of machine learning techniques based on Gaussian models and linear regression was implemented to classify and predict real-time position data with the goal of improving position estimation stability and robustness. The system functions as a downstream component, which accepts RTLS position data and outputs improved position estimates. The evaluation results show that the implemented system can successfully improve position stability and robustness.	en
dc.description.mark	C	cs
dc.identifier.citation	MATUŠ, A. Využití strojového učení pro zvýšení robustnosti určení pozice v bezdrátovém pozičním systému [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.	cs
dc.identifier.other	145425	cs
dc.identifier.uri	http://hdl.handle.net/11012/207829
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	Strojové učení	cs
dc.subject	lokalizační systém v reálném čase	cs
dc.subject	širokopásmová komunikace (UWB)	cs
dc.subject	lokalizace uvnitř budov	cs
dc.subject	klasifikace	cs
dc.subject	predikce	cs
dc.subject	Machine learning	en
dc.subject	real-time location system (RTLS)	en
dc.subject	ultra-wideband (UWB)	en
dc.subject	indoor positioning	en
dc.subject	classification	en
dc.subject	prediction	en
dc.title	Využití strojového učení pro zvýšení robustnosti určení pozice v bezdrátovém pozičním systému	cs
dc.title.alternative	Using Machine Learning for Improvement of Location Estimation in Wireless Positioning System	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2022-06-20	cs
dcterms.modified	2022-06-23-09:13:54	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	145425	en
sync.item.dbtype	ZP	en
sync.item.insts	2022.06.24 08:55:16	en
sync.item.modts	2022.06.24 08:12:21	en
thesis.discipline	Inteligentní systémy	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačových systémů	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Využití strojového učení pro zvýšení robustnosti určení pozice v bezdrátovém pozičním systému

Files

Original bundle

Collections