| | SLO | ENG | Cookies and privacy

Bigger font | Smaller font

Search the digital library catalog Help

Query: search in
search in
search in
search in
* old and bologna study programme

Options:
  Reset


1 - 2 / 2
First pagePrevious page1Next pageLast page
1.
Klasifikacija časovnih vrst s konvolucijskimi nevronskimi mrežami
Domen Kavran, 2020, master's thesis

Abstract: V magistrskem delu predstavimo klasifikacijo časovnih vrst z uporabo konvolucijskih nevronskih mrež. Klasifikacija je izvedena nad časovno-frekvenčnimi predstavitvami časovnih vrst, ki so pridobljene z različnimi metodami časovno-frekvenčne analize. Zasnovali smo več arhitektur konvolucijskih nevronskih mrež za klasifikacijo časovnih vrst. Optimizacijski algoritmi za učenje konvolucijskih nevronskih mrež so uporabljali napredno izgubno funkcijo, imenovano žariščna izguba. Za najuspešnejšo metodo izračuna časovno-frekvenčnih predstavitev časovnih vrst se je izkazala zvezna valčna transformacija, s katero smo dosegli povprečno natančnost klasifikacije 90,07 %. Združitev različnih časovno-frekvenčnih predstavitev je izboljšala povprečno natančnost klasifikacije na 92,01 %.
Keywords: klasifikacija, globoko učenje, konvolucijske nevronske mreže, časovne vrste, časovno-frekvenčna analiza
Published: 03.07.2020; Views: 295; Downloads: 117
.pdf Full text (10,95 MB)

2.
Klasifikacija dogodkov v časovnih vrstah s strojnim učenjem
Domen Kavran, 2018, undergraduate thesis

Abstract: V diplomskem delu opišemo algoritem segmentacije časovnih vrst in postopek priprave vektorjev značilnic segmentov za učenje in testiranje klasifikacijskih modelov za zaznavo dogodkov. Segmentacijo časovnih vrst izvedemo z algoritmom drsečega okna, kjer za merilo razdalje med vrednostmi uporabimo algoritem dinamičnega časovnega sledenja. Pripravo vektorjev značilnic segmentov začnemo z definiranjem slovarja lokalnih podsegmentov. Slovar je pridobljen z gručenjem K-povprečij. Vsak segment predstavimo z normaliziranim histogramom pojavitev lokalnih podsegmentov na podlagi slovarja. Za učenje klasifikacijskih modelov uporabimo algoritme strojnega učenja, ki se razlikujejo v računski zahtevnosti in doseženi natančnosti, na katero vplivajo tudi izbrani parametri segmentacije in velikost slovarja.
Keywords: klasifikacija, časovna vrsta, strojno učenje, segmentacija
Published: 28.08.2018; Views: 1192; Downloads: 150
.pdf Full text (979,03 KB)

Search done in 0.08 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica