| | 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 - 10 / 37
First pagePrevious page1234Next pageLast page
1.
Analiza in optimizacija procesnih parametrov sušilnice za koruzo : magistrsko delo
Marko Simonič, 2024, master's thesis

Abstract: Magistrsko delo obsega opis razvoja in implementacije modela globoke nevronske mreže z LSTM arhitekturo. Model omogoča napovedovanje vlažnosti koruze na izhodu iz sušilnega sistema na podlagi meritev vlažnosti koruze na vhodu in beleženja temperaturnih parametrov med obratovanjem. Razvoj modela je vključeval temeljito analizo in preučitev posameznih temperaturnih parametrov. Pri tem smo izvedli regresijsko analizo, ki je raziskovala vpliv vhodne vlažnosti, ciljne temperature gorilnika in časa sušenja med izpusti koruze na spremembe temperaturnih parametrov v sušilnem sistemu. Poleg tega smo preučili tudi statistične vplive samih temperaturnih parametrov na vlažnost koruze na izhodu iz sušilnega sistema. Analiza nam je omogočila ustrezno pripravo podatkov za učenje napovednih modelov. Uspešnost razvitih napovednih modelov je ocenjena s povprečno absolutno napako (angl. mean absolute error – MAE), povprečno kvadratno napako (angl. mean squared error – MSE), korenom povprečne kvadratne napake (angl. root mean squared error – RMSE) in srednjo absolutno odstotkovno napako (angl. mean absolute percentage error – MAPE). Najuspešnejši model za napovedovanje vlažnosti na izhodu iz sušilnega sistema je imel na učnih podatkih odlično zmogljivost napovedovanja, saj so povprečne vrednosti MAE znašale 0,352, RMSE 0,645, MSE 0,416 in MAPE 2,555. Izvedena je bila tudi vizualizacija rezultatov za nadaljnjo analizo in interpretacijo.
Keywords: sušilni sistem, globoko učenje, LSTM, napovedovanje, optimizacija, koruza, vlaga
Published in DKUM: 28.03.2024; Views: 81; Downloads: 13
.pdf Full text (3,60 MB)

2.
Razvoj napovednega modela multivariatnih časovnih vrst uporabniških storitev : diplomsko delo
Sandi Pečečnik, 2023, undergraduate thesis

Abstract: V sklopu diplomskega dela predstavimo več nevronskih mrež, ki jih optimiziramo, pri čemer raziščemo ustrezne arhitekture, metrike, funkcije in druge pomembne lastnosti za uporabo v napovednih modelih multivariantnih časovnih vrst. Raziščemo najpomembnejše probleme povezane z razvojem napovednih nevronskih mrež. Naslovimo reševanje treh specifičnih realnih problemov, za reševanje katerih smo predlagali arhitekture nevronskih mrež. Izdelali smo še skalabilno spletno aplikacijo, ki omogoča enostavnejšo uporabo naučenih modelov nevronskih mrež.
Keywords: časovne vrste, nevronske mreže, globoko učenje, storitve, arhitekture globokega učenja
Published in DKUM: 05.10.2023; Views: 293; Downloads: 27
.pdf Full text (1,66 MB)

3.
Samosprožilno mrežno vodenje z nelinearnim modelom na osnovi globokega učenja : magistrsko delo
Sebastjan Vogrinčič, 2023, master's thesis

Abstract: Magistrska naloga opisuje modeliranje nelinearnih dinamičnih sistemov in implementacijo samosprožilnega dogodkovnega vodenja na sistemu zračne levitacije z namenom reševanja sodobnih problemov vodenja, kot je preobremenjenost omrežja. Najprej smo vzpostavili komunikacijo med sistemom in računalnikom z namenom priprave podatkov. Sledila je faza globokega učenja in validacija modela. Na koncu smo načrtali ustrezen algoritem, ki posodablja izhod regulatorja glede na predikcijo modela. Z magistrskim delom smo predvsem dokazali delovanje obravnavanega vodenja na hitrem nelinearnem in nestabilnem sistemu. Ugotovili smo, da je zanesljivost takega vodenja predvsem odvisna od natančnosti modela. Samosprožilno vodenje je lahko riskantno, zato je za industrijsko aplikacijo potrebno vpeljati dodatne varnostne mehanizme.
Keywords: samosprožilno vodenje, dogodkovno proženje, nelinearni model, globoko učenje, NARX.
Published in DKUM: 05.10.2023; Views: 214; Downloads: 38
.pdf Full text (4,37 MB)

4.
Prepoznava invazivnih polžev z uporabo globokega učenja : diplomsko delo
Kristjan Herodež, 2023, undergraduate thesis

Abstract: Zaključno delo se osredotoča na podvejo umetne inteligence, ki se imenuje strojno učenje. V zaključnem delu predstavljamo uporabo in implementacijo strojnega učenja na različnih področjih. Znotraj zaključnega dela se podrobneje osredotočamo na pametno kmetijstvo, katerega osrednja tematika v tej nalogi je odkrivanje škodljivcev, ki so v našem primeru polži Arion rufus. Kot rešitev problema je predstavljeno globoko učenje oz. uporaba konvolucijskih nevronskih mrež. V ta namen omenimo tudi različne pristope za učenje modelov računalniškega vida. Rešitev smo našli v pristopu YOLO (You only look once) v katerem smo izdelali naš model vida in ga primerjali s podobno študijo.
Keywords: Arion rufus, Globoko učenje, Pametno kmetijstvo, Umetna inteligenca
Published in DKUM: 05.10.2023; Views: 212; Downloads: 27
.pdf Full text (3,43 MB)

5.
Preslikava stila satelitskih posnetkov s pomočjo generativnih nasprotniških nevronskih mrež : magistrsko delo
Mitja Lakič, 2023, master's thesis

Abstract: V magistrskem delu raziskujemo problematiko preslikave stila satelitskih posnetkov z uporabo generativnih nasprotniških nevronskih mrež (GAN). Najprej predstavimo osnovno strukturo nevronskih mrež, nato podrobneje opišemo generativne modele. Namen magistrskega dela je preveriti učinkovitost teh modelov pri preslikavi satelitskih posnetkov v stil zemljevida, kjer primerjamo dva različna GAN modela, in sicer Pix2Pix, ki spada med pogojne modele, in CycleGAN, ki je predstavnik cikličnih modelov. V okviru eksperimenta primerjamo pridobljene rezultate z uporabo teh modelov, kjer smo tudi preizkusili preslikavo v obratni smeri, torej iz zemljevida v stil satelitskega posnetka. Rezultati so pokazali, da je mogoče satelitske posnetke uspešno preslikati v stil zemljevida, kjer pogojni modeli na splošno zagotavljajo boljše rezultate, vendar so zelo odvisni od arhitekture omrežja. Magistrsko delo zaključimo z analizo rezultatov in odgovori na raziskovalna vprašanja.
Keywords: generativne nasprotniške mreže, globoko učenje, preslikava stila, satelitski posnetki, zemljevidi
Published in DKUM: 28.03.2023; Views: 463; Downloads: 85
.pdf Full text (5,49 MB)

6.
Napredne tehnologije in metodologije za pametno proizvodnjo : magistrsko delo
Ana Bedrač, 2023, master's thesis

Abstract: V magistrski nalogi je predstavljen koncept pametne proizvodnje. Predstavljene so ključne značilnosti, ki po mnenju različnih avtorjev oblikujejo pametno proizvodnjo. Obravnavanih je več primerov oz. konceptov pametne proizvodnje, pri čemer se podrobneje osredotočamo na opredelitev pametne proizvodnje po avtorju A. Kusiaku. Predstavljene so ključne tehnologije in metodologije, ki so že v uporabi ali pa imajo velik potencial, da se bodo še uveljavile. Magistrska naloga vključuje sodobne trende na področju pametne proizvodnje. Izpostavljene so tehnologije in metodologije, ki so trenutno najsodobnejše, še posebej pa napredne proizvodne tehnologije, strojno učenje in tudi blokovne verige v povezavi z ekonomijo strojev. Nekatere od predstavljenih tehnologij in metodologij so obravnavane na praktičnih primerih.
Keywords: pametna proizvodnja, umetna inteligenca, strojno učenje, globoko učenje, blokovne verige, ekonomija strojev, veliki podatki, kibernetsko-fizični sistem, digitalni dvojček, internet stvari, pametni materiali.
Published in DKUM: 09.03.2023; Views: 545; Downloads: 95
.pdf Full text (2,50 MB)

7.
Orodja za manipulacijo videoposnetkov z nevronskimi mrežami : diplomsko delo
Jure Farič, 2022, undergraduate thesis

Abstract: V diplomskem delu smo se ukvarjali s teoretičnim pregledom metod uporabljenih pri generiranju globoko ponarejenih medijev in prikazu delujočega primera globoko ponarejenega videoposnetka. Teoretično smo pregledali pristope za manipulacijo slik in videoposnetkov z modeli generativnih nevronskih mrež, ter izdelali delujoč in realističen primer globoko ponarejenega videoposnetka. Uporabili smo obstoječe videoposnetke z nevronskimi mrežami in primerjali rezultate manipulacije s pravimi videoposnetki. V praktičnem delu smo predstavili korake po katerih lahko izdelamo deepfake videoposnetek z orodjem DeepFaceLab.
Keywords: globoke nevronske mreže, globoko učenje, globoko ponarejeni videoposnetki, manipulacija slik, manipulacija videoposnetkov, diplomske naloge
Published in DKUM: 09.02.2023; Views: 792; Downloads: 186
.pdf Full text (1014,84 KB)

8.
Detekcija napak na odlitkih z globokim učenjem : magistrsko delo
Tomo Pšeničnik, 2022, master's thesis

Abstract: Cilj magistrske naloge je preučiti detekcijo napak na odlitkih z uporabo konvolucijskih nevronskih mrež. Predstavljena je klasifikacija slik dobrih in slabih odlitkov, ki temelji na globokem učenju. Za učenje nevronske mreže smo uporabili obstoječo zbirko podatkov, ki vsebuje več kot 7000 slik. Za izdelavo programa smo uporabili okolje Matlab s pomočjo Deep learning toolbox vmesnika. Izdelali smo model konvolucijske nevronske mreže, izvedli učenje in prikazali rezultate. V drugem delu smo rezultate želeli izboljšati, zato smo se poslužili tehnike s prenosnim učenjem. Našim potrebam smo prilagodili obstoječo AlexNet arhitekturo, naložili zbirko podatkov in izvedli učenje nevronske mreže. Na koncu prikažemo rezultate kot je klasifikacijska točnost modela. Delovanje modela preizkusimo še na testni množici slik, katere niso bile vključene v proces učenja.
Keywords: Globoko učenje, detekcija napak, klasifikacija, konvolucijska nevronska mreža, odlitek
Published in DKUM: 09.12.2022; Views: 526; Downloads: 41
.pdf Full text (3,25 MB)

9.
Primerjava metod napada na globoke nevronske mreže z nasprotniškimi primeri in pristopov k zaščiti pred njimi : magistrsko delo
Robi Novak, 2022, master's thesis

Abstract: Globoke nevronske mreže imajo ranljivosti, kot so nasprotniški primeri - neopazne namerne popačitve vhodnih podatkov, ki povzročijo neželeno spremembo izhoda. Ker so nasprotniški primeri prenosljivi, lahko popačitev tvorimo v scenariju črne škatle, brez da bi poznali strukturo ali uteži napadene mreže. V našem delu primerjamo več pristopov k napadu in zaščiti. Robustnost modela ovrednotimo glede na prepričanost v napačno klasifikacijo ter glede na statistično porazdelitev amplitud nasprotniških popačitev. Rezultati kažejo, da so amplitude uspešnih napadov tipično za en velikostni razred višje, če je napad izveden po scenariju črne škatle. Robustnost modela je odvisna od klasifikacijskega problema, arhitekture mreže ter pristopa k zaščiti. Za najbolj učinkovita napada sta se v scenariju bele škatle izkazala napada BIM in MI-FGSM, v scenariju črne škatle pa napada MI-FGSM in FGSM. Najučinkovitejša pristopa k zaščiti sta bila diskretizacija ter virtualno nasprotniško učenje. Pokazali smo tudi, da moramo za verodostojen preizkus učinkovitosti nasprotniškega učenja uporabiti napad, ki ni bil uporabljen v procesu učenja.
Keywords: globoko učenje, nasprotniški primeri, nevronske mreže, strojno učenje
Published in DKUM: 06.07.2022; Views: 778; Downloads: 142
.pdf Full text (45,09 MB)
This document has many files! More...

10.
Analiza učinkovitosti učenja s prenosom znanja pri detekciji objektov : magistrsko delo
Mitja Žalik, 2022, master's thesis

Abstract: Zaradi nedefiniranosti procesov odločanja globokih nevronskih mrež in njihovega dolgotrajnega učenja predstavlja določitev prenesenega znanja ključen izziv pri implementaciji učinkovite detekcije objektov na novih domenah. Preneseno znanje opredeljuje struktura plasti nevronske mreže, nad katerimi izgradimo nov model, ter izbira plasti, ki jim med učenjem zamrznemo vrednosti uteži. V magistrskem delu analiziramo vpliv števila zamrznjenih plasti na uspešnost učenja s prenosom znanja. V prvem delu opišemo tehnike prenosa znanja ter podamo formalno definicijo detekcije objektov, pri čemer opredelimo poznane metode in izpostavimo ključne izzive, povezane z njimi. Nato predstavimo izveden eksperiment, v katerem primerjamo uspešnost štirih konfiguracij pri prenosu znanja na modelu YOLOv4 na štiri različne ciljne domene. Ugotovimo, da so pri različnih ciljnih domenah uspešne različne konfiguracije, ki so odvisne od stopnje podobnosti izvorne in ciljne domene ter plasti izvornega modela, na kateri je določena značilka izluščena. Čeprav predstavljeni rezultati kažejo nemožnost predvidevanja optimalne konfiguracije prenosa znanja, izveden eksperiment nakazuje, da je učenje tudi v primeru neoptimalnega prenosa znanja uspešnejše od učenja brez prenosa znanja.
Keywords: učenje s prenosom znanja, prenos znanja, detekcija objektov, obdelava videoposnetkov, globoko učenje
Published in DKUM: 07.06.2022; Views: 855; Downloads: 171
.pdf Full text (16,36 MB)

Search done in 1.71 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica