| | 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 / 33
First pagePrevious page1234Next pageLast page
1.
Phase-Functioned neural networks for computer character control
Ivan Gradečak, 2020, master's thesis

Abstract: Metode strojnega učenja so v zadnjem desetletju omogočile preboj v učinkovitosti računalnikov pri reševanju problemov, kot so prepoznavanje slik, klasifikacija besedila in podatkovno rudarjenje. Eden od najbolj uspešnih pristopov so rešitve z uporabo umetnih nevronskih mrež, ki se zgledujejo po bioloških nevronskih mrežah in zmožnostjo človeka, da opravlja kompleksne naloge. Da bi dosegle dobro zmogljivost, umetne nevronske mreže uporabljajo veliko medsebojno povezanih enostavnih celic, oziroma nevronov. Da lahko nevronska mreža učinkovito rešuje nek problem, jo je potrebno učiti. Učenje poteka s pomočjo učne množice vzorcev, ki za dane vhodne podatke vsebujejo tudi znane izhodne rezultate (npr. oznako razreda vhodnega vzorca). Na takšen način deluje nevronska mreža v tej magistrski nalogi za animiranje in krmiljenje računalniških likov. Animacije v filmih, simulacijah in video igrah zahtevajo sodobne pristope in pred kratkim predstavljena nevronska mreža z uporabo fazne funkcije (PFNN [8]), ki smo jo preučili v tem delu, zagotavlja enega od najbolj obetavnih pristopov. Vhodi mreže so podatki o položaju in hitrosti premikanja sklepov računalniškega lika, ter podatki o višinah terena v točkah trajektorije. Prav tako so vhodi v mrežo normalizirane vrednosti, ki povedo, ali računalniški lik stoji na mestu, hodi, beži, čepi, skače ali je naletel na steno in se mora ustaviti. Izhodi mreže za krmiljenje računalniških likov se računajo v vsakem okvirju animacije in predstavljajo trenutno stanje sklepov lika in predvideno usmeritev hoje v prihodnosti. Del izhodov nevronske mreže uporabimo v naslednjem okvirju kot vhode, ki jih zlijemo s krmilnimi podatki uporabnika. Učenje se izvaja na predhodno obdelanem naboru podatkov, ki so ga avtorji PFNN posneli z metodo zajemanja gibanja v studiu. Po snemanju so podatke razširili z zrcaljenjem in jih prenesli v virtualno okolje ter tako dobili večjo učno množico za uspešnejše učenje nevronske mreže. Arhitektura nevronske mreže s fazno funkcijo je triplastna mreža z veriženjem naprej, ki ima 342 vhodnih in 311 izhodnih spremenljivk. Vsaka skrita plast ima 512 nevronov, in na obeh skritih plasteh se uporablja eksponentna linearna (ELU) aktivacijska funkcija, ki omili nezaželen pojav izginjajočega gradienta med učenjem nevronske mreže. Mreža je izdelana v programskem jeziku Python z uporabo knjižnice TensorFlow. Pri učenju mreže se uporablja optimizacijski algoritem Adam s prilagodljivo hitrostjo učenja. Na vsaki plasti se uporablja regularizacijska tehnika odpovedovanja nevronov, ki omejuje prekomerno prilagajanje modelov učni množici. V primerjavi z običajnimi nevronskimi mrežami z veriženjem naprej, uporablja PFNN posebno fazno funkcijo, s pomočjo katere interpolira med štirimi nabori uteži nevronske mreže na podlagi vrednosti fazne spremenljivke. Ti nabori uteži se vzporedno optimizirajo med učenjem nevronske mreže. V vsakem ciklu hoje fazna spremenljivka teče od 0 do 2pi, torej od takrat, ko ima računalniški lik desno nogo v kontaktu s terenom in jo začne dvigati, do takrat, ko jo postavi nazaj na tla. Za interpolacijo med različnimi nabori uteži je bil uporabljen kubični Catmull-Romov zlepek. Izhodi nevronske mreže se med učenjem uporabijo za izračun napake in posodabljanje vseh štirih naborov uteži. Nevronsko mrežo lahko uporabimo v demonstraciji krmiljenja animiranega lika, tako da se izhodi nevronske mreže zlijejo z uporabnikovimi krmilnimi signali za določanje položaja in hitrosti sklepov v kinematični verigi. Zlivanje krmilimo s faktorjem mešanja, ki omogoča uravnotežanje med natančnostjo krmiljenja in naravnostjo animacije računalniškega lika.
Keywords: umetna nevronska mreža, zajem gibanja, animacija, fazna funkcija, krmiljenje likov
Published: 01.12.2020; Views: 143; Downloads: 13
.pdf Full text (4,53 MB)

2.
Konvolucijske nevronske mreže za odkrivanje napak s pomočjo zvoka
Gorazd Fažmon, 2020, master's thesis

Abstract: V magistrskem delu je predstavljen razvoj sistema za zaznavanje napak v industrijskih procesih, ki temelji na osnovi zaznave zvoka. S pomočjo programskega orodja Audacity, so zajeti zvočni signali proizvodnih postopkov. S programskim orodjem Python je izdelan program za pretvorbo zvočnega signala v sliko. Z uporabo Python knjižnice TensorFlow je program naučen, da prepozna napako. Podan je podroben opis pomembnih pojmov, algoritmov, metod in testiranj sistema. Glavni cilj naloge je implementirati zgrajen sistem na dejanskem proizvodnem postopku.
Keywords: konvolucijska nevronska mreža, kakovost zvoka, spektrogram, Mel frekvenčni kepstralni koeficienti (MFCC), TensorFlow
Published: 04.11.2020; Views: 76; Downloads: 22
.pdf Full text (1,97 MB)

3.
Prepoznava divjih živali na slikah z uporabo rezidualnih nevronskih mrež
Mitja Lakič, 2020, undergraduate thesis

Abstract: V diplomskem delu se ukvarjamo s prepoznavanjem divjih živali na slikah z uporabo rezidualnih nevronskih mrež. Namen diplomskega dela je predstaviti rezidualne nevronske mreže in probleme, ki jih te mreže rešujejo. Pri prepoznavanju živali smo se omejili na 10 različnih kategorij divjih živali, podatkovna množica pa je bila sestavljena iz 10.000 slik. Rešitev smo razvili s pomočjo programskega jezika Python in programske knjižnice PyTorch. Primerjali smo rezultate treh različnih modelov nevronskih mrež, kjer je najboljši model dosegel 99,9-% točnost prepoznavanja. Ugotovili smo, da rezidualne nevronske mreže z uporabo preskočnih povezav zelo ugodno vplivajo na točnost modela, pri tem pa se najbolje izkažejo modeli, ki so bili predhodno naučeni.
Keywords: rezidualna nevronska mreža, računalniški vid, prepoznavanje divjih živali, globoko učenje, izginjajoči gradient
Published: 03.11.2020; Views: 87; Downloads: 25
.pdf Full text (2,67 MB)

4.
Uporaba umetne nevronske mreže za klasifikacijo obrabljenosti orodja pri rezkanju
Žan Pudič, 2020, undergraduate thesis

Abstract: Diplomsko delo zajema reševanje problema klasifikacije obrabljenosti orodja pri rezkanju s pomočjo umetne inteligence. Namen dela je bil spoznati delovanje umetnih nevronskih mrež in postaviti arhitekturo ter optimizirati njeno delovanje. Za objektivno oceno sposobnosti napovedovanja postavljene nevronske mreže smo dobljene rezultate primerjali z rezultati, ki so bili dobljeni z metodo odločitvenih dreves. Rezultat dela je napovedovalni model z visoko stopnjo prilagojenosti na učnih in testnih podatkih, ki lahko v realnem času klasificira obrabljenost orodja.
Keywords: rezkanje, klasifikacija obrabljenosti orodja, strojno učenje, umetna nevronska mreža, odločitvena drevesa
Published: 08.10.2020; Views: 145; Downloads: 56
.pdf Full text (1,23 MB)

5.
Uporaba strojnega učenja za napovedovanje škodnih dogodkov
Vito Čoh, 2020, master's thesis

Abstract: V magistrskem delu je predstavljena uporaba posplošenega linearnega modela in različnih metod strojnega učenja v zavarovalništvu. Delo je razdeljeno na teoretični in praktični del. Na začetku teoretičnega dela so opisani osnovni pojmi iz verjetnosti in zavarovalništva. Predstavljeno je tudi, kako zavarovalnice določijo višino premije. Nato sta predstavljena teoretično ozadje posplošenega linearnega modela in uporaba tega modela za napovedovanje višine škode. Na koncu teoretičnega dela pa je opisano strojno učenje in bolj podrobno so predstavljena odločitvena drevesa, naključni gozdovi ter nevronske mreže. V praktičnem delu magistrskega dela pa so posplošeni linearni model, naključni gozd in nevronska mreža uporabljeni za napovedovanje višine škode pri avtomobilskem zavarovanju. Najprej so podatki predstavljeni ter ustrezno obdelani. Nato so določeni parametri posameznih modelov. Na koncu pa so modeli med seboj primerjani in izbran je najboljši model.
Keywords: zavarovalništvo, posplošeni linearni model, strojno učenje, odločitveno drevo, naključni gozd, nevronska mreža
Published: 09.06.2020; Views: 232; Downloads: 43
.pdf Full text (1,53 MB)

6.
Kratkoročno napovedovanje lokalnih vremenskih parametrov s konvolucijsko nevronsko mrežo
Aljaž Razpotnik, 2019, master's thesis

Abstract: V magistrskem delu se ukvarjamo z napovedovanjem časovnih vrst. Časovno vrsto predstavljajo podatki vremenskih parametrov večjega števila krajev, ki smo jih pridobili iz spletnega arhiva Agencije Republike Slovenije za okolje. Za napovedovanje vremenskih parametrov izbranega kraja uporabimo pretekle podatke samega kraja in njegove okolice ter z njimi učimo napovedne modele ARIMAX, CART, GRU in kombinirani model CNN-LSTM. Pri kombiniranem modelu upoštevamo geografske soodvisnosti uporabljenih krajev, ki jih preslikamo v matriko. Iz predstavljenih rezultatov je razvidno, da sta najboljša modela za napovedovanje vremenskih parametrov GRU in CNN-LSTM.
Keywords: vremenski parametri, časovna vrsta, napovedovanje, nevronska mreža, regresijsko drevo
Published: 10.12.2019; Views: 535; Downloads: 130
.pdf Full text (9,60 MB)

7.
Razpoznavanje čustvenih izrazov s pomočjo globokih nevronskih mrež
Gregor Štefanič, 2019, undergraduate thesis

Abstract: V diplomskem delu smo se ukvarjali z razpoznavanjem čustvenih izrazov z digitalnih slik obrazov. Razpoznavali smo med sedmimi čustvenimi izrazi, vključno z nevtralnim. Pregledali smo obstoječa dela na področju razpoznavanja čustvenih izrazov, preučili globoke nevronske mreže in pripravili arhitekturo, ki je primerna za razpoznavanje čustvenih izrazov s slik. Uporabili smo arhitekturo z residualno nevronsko mrežo. Našo rešitev smo razvili s pomočjo ogrodja TensorFlow in programskega vmesnika Keras. Implementirali in preizkusili smo jo na mešanih slikah iz podatkovnih baz JAFFE, CK in MMI. Natančnost razpoznavanja čustvenih izrazov na 1017 testnih slikah z našo nevronsko mrežo je bila v povprečju 99,3-odstotna, kar je primerljivo oziroma boljše od sorodnih del.
Keywords: razpoznavanje čustvenih izrazov, globoka nevronska mreža, računalniški vid, residualna nevronska mreža
Published: 23.11.2019; Views: 311; Downloads: 101
.pdf Full text (1,37 MB)

8.
Prepoznavanje aktivnosti osebe iz zaporedja slik z globokimi povratnimi nevronskimi mrežami
David Pintarič, 2019, undergraduate thesis

Abstract: V diplomskem delu se ukvarjamo s problemom prepoznavanja aktivnosti osebe iz zaporedja slik, pri čemer prepoznavo poskušamo izboljšati z upoštevanjem časovne komponente. To dosežemo z uporabo povratnih nevronskih mrež. Omejili smo se na naslednje aktivnosti: oseba ni v ravnovesju, se pripogiba, stoji, sedi, leži, hitro hodi, počasi hodi in pada. Pregledali smo obstoječe postopke prepoznavanja, preučili povratne nevronske mreže, pripravili množico podatkov, zasnovali algoritem, izvedli eksperimente in na koncu analizirali rezultate. Rezultati na 25 označenih videoposnetkih so pri uporabi povratne nevronske mreže pokazali 83,24 % povprečno natančnost pri uporabi tipa zaporedje v vektor in 75,53 % povprečno natančnost pri uporabi tipa zaporedje v zaporedje. Kljub temu da so dobljeni rezultati boljši od tistih, kjer ne upoštevamo časovne komponente, ugotavljamo, da povratne nevronske mreže zaradi računske zahtevnosti niso vedno najboljša izbira.
Keywords: računalniški vid, povratna nevronska mreža, pomnilna celica LSTM, pomnilna celica GRU, globoko učenje, detekcija oseb, prepoznavanje aktivnosti osebe
Published: 23.11.2019; Views: 412; Downloads: 126
.pdf Full text (3,78 MB)

9.
Nevroevolucijski algoritem NEAT na grafičnih karticah
Blaž Sitar, 2019, master's thesis

Abstract: V magistrski nalogi naslavljamo problem implementacije algoritma NeuroEvolution of Augmenting Topologies (NEAT) za delovanje na grafičnih karticah. Algoritem NEAT je genetski algoritem za učenje razvijajočih nevronskih mrež. Izhaja iz področja nevroevolucije, ki v umetni inteligenci uporablja genetske algoritme za generiranje in učenje nevronskih mrež. Algoritem za svoje delovanje porabi veliko strojnih in časovnih virov, zato je implementacija na grafičnih karticah smiselna. Implementacijo smo izvedli v arhitekturi CUDA, ki jo podpirajo grafične kartice podjetja NVIDIA. Hitrost in uspešnost algoritma smo izmerili na petih različnih grafičnih karticah in jo primerjali s hitrostjo in uspešnostjo originalnega algoritma. Ugotovili smo, da je naša implementacija algoritma zadovoljiva, saj je hitrejša in prav toliko uspešna kot originalna implementacija algoritma NEAT.
Keywords: nevroevolucija, NEAT, nevronska mreža, genetski algoritem, CUDA
Published: 21.11.2019; Views: 360; Downloads: 67
.pdf Full text (1,53 MB)

10.
Globoko učenje in igra dama
Jan Popič, 2019, undergraduate thesis

Abstract: V zaključnem delu smo zasnovali računalniški program AlphaLady, ki se je sposoben naučiti igranja igre dama brez vnosa človeškega znanja. Za dosego tega smo uporabili vzpodbujevalno učenje, drevesno preiskovanje Monte Carlo in globoke konvolucijske mreže za ocenitev posameznih stanj v igri. Predstavili smo programe Alpha Go, AlphaGo Zero in AlphaZero, na podlagi katerih je zasnovan naš program. Opisali smo uporabljeno ogrodje in teoretično ozadje uporabljenih pristopov. Uspelo nam je naučiti 9 različic programa, pri čemer je vsaka naslednja različica enakovredna ali boljša kot prejšnja.
Keywords: umetna inteligenca, globoko učenje, konvolucijska nevronska mreža, drevesno preiskovanje Monte Carlo, vzpodbujevalno učenje, igra dama
Published: 13.11.2019; Views: 450; Downloads: 154
.pdf Full text (749,47 KB)

Search done in 0.27 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica