Search the digital library catalog

Abstract: V diplomskem delu predstavimo napovedovanje multivariatnih časovnih vrst z uporabo povratnih nevronskih mrež, ter primernost pristopa k napovedovanju preizkusimo na področju energetike. Za pametno krmiljenje električnih naprav je namreč nujno potrebno poznavanje posledic, ki jih imajo naše akcije na stanje naprav in njihove okolice. Stanje naprav definira več spremenljivk, zato spreminjanje stanja skozi čas opisuje multivariatna časovna vrsta. Za električno napravo grelnik vode pripravimo napovedni model, ki temelji na povratni nevronski mreži arhitekture LSTM. Ker pa se lastnosti naprave in s tem opisujoče časovne vrste lahko s časom spreminjajo, moramo za ohranjanje natančnostosti napovednega modela le-tega sproti prilagajati. V diplomskem delu predstavimo različne strategije sprotnega učenja modela in primerjamo njihovo učinkovitost na napovednem modelu za grelnik vode.
Keywords: Multivariatne časovne vrste, napovedovanje časovnih vrst, povratne nevronske mreže, katastrofalno pozabljanje
Published in DKUM: 03.11.2020; Views: 1742; Downloads: 123
Full text (1,50 MB)

Abstract: Namen prispevka: Ob neprestanem izboljševanju informacijske infrastrukture so za njeno zaščito potrebni tudi novi pristopi k varnosti in razvoj novih tehnik zaznavanja kibernetskih groženj. Med te tehnologije sodijo tudi nevronske mreže, ki se že dolgo uporabljajo na različnih področjih, kot so medicina, logistika in biologija. Namen prispevka je prepoznati in predstaviti njihovo uporabnost na področju kibernetske varnosti. Metode: Izveden je bil sistematični pregled literature, s katerim so bile prepoznane pozitivne in negativne lastnosti nevronskih mrež kot aktualnega pristopa strojnega učenja za zaznavo kibernetskih napadov. Izvedena je bila tudi primerjava uporabe nevronskih mrež s konvencionalnimi sistemi. Ugotovitve: Rezultati eksperimentov so večinoma v korist nevronskim mrežam, saj je proces hitrejši, natančnejši in z manj lažnimi alarmi kot konvencionalni sistemi, ki običajno delujejo na principu statične analize. Vendar pa so nevronske mreže zaradi njihovega načina delovanja pogosto nepredvidljive in so najbolj učinkovite šele v kombinaciji s konvencionalnimi sistemi. V obstoječi literaturi primanjkujejo predvsem testiranja teh sistemov v realnih situacijah, izven kontroliranih umetnih okolij. Omejitve/uporabnost raziskave V pregled literature so bili vključeni znanstveni prispevki, objavljeni v letih od 2017 do 2019 in indeksirani v bazah Web of Science in Scopus. Izvirnost/pomembnost prispevka: Prispevek s povzetkom osnovnih tehničnih principov delovanja nevronskih mrež predstavlja začetno točko za strokovnjake na področju kibernetske varnosti, ki z njimi še niso seznanjeni. Prispevek povzema trenutno stanje na področju uporabe nevronskih mrež v kibernetski varnosti in potencialne smeri razvoja v prihodnosti. Prispevek predstavlja enega prvih sistematičnih pregledov literature na področju uporabe nevronskih mrež v kibernetski varnosti, ki se je znanstvenoraziskovalno razcvetelo predvsem v zadnjih treh letih.
Keywords: nevronske mreže, strojno učenje, umetna inteligenca, sistem za zaznavanje vdorov, škodljiva programska oprema, finance
Published in DKUM: 02.10.2020; Views: 1113; Downloads: 37
Link to full text
This document has many files! More...

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 in DKUM: 03.07.2020; Views: 1883; Downloads: 246
Full text (10,95 MB)

Abstract: V diplomskem delu smo razvili razširljivo uporabniško programsko opremo za organiziranje in urejanje digitalnih slik. Program se deli na tri dele, in sicer organizacijski, urejevalni ter napredni način. Organizacijski način dodatno omogoča razširljive dinamične bližnjice na tipkovnici. Poleg tega smo implementirali dve konvolucijski nevronski mreži. Prva je namenjena skaliranju in ostrenju slik, druga pa za ločevanje nočnih in dnevnih slik. Obe naučeni mreži sta vključeni v napredni način naše aplikacije kot vtičnika. Program smo implementirali v ogrodju .NET, s pomočjo WPF-ja ter programskega jezika C#. Nevronski mreži smo implementirali v jeziku Python in z uporabo aplikacijskega programskega vmesnika Keras. Našo aplikacijo in rezultate smo ovrednotili tako kvalitativno kot tudi kvantitativno na manjši testni množici slik. Dobljeni rezultati so bili primerljivi s sorodnimi rešitvami. Po opravljeni fazi testiranja smo našo programsko opremo posredovali v ocenitev še dvema profesionalnima fotografoma. Dobili smo pozitivno povratno informacijo. Na osnovi vseh rezultatov in povratnih informacij lahko trdimo, da naša programska oprema deluje učinkovito in ponuja primerno uporabniško izkušnjo.
Keywords: fotografije, windows aplikacija, programski jezik C#, konvolucijske nevronske mreže
Published in DKUM: 23.11.2019; Views: 1040; Downloads: 89
Full text (1,99 MB)

Abstract: Problem, ki ga obravnavamo v magistrski nalogi je detektiranje voznih pasov na RGB slikah oz. posnetkih ceste pred vozilom med vožnjo. Za rešitev tega problema smo se odločili uporabiti tehnike »globokega učenja«, predvsem konvolucijske nevronske mreže, s katerimi smo izvedli semantično segmentiranje. Problem smo reševali s tremi različnimi arhitekturami nevronskih mrež, ki smo jih učili na naboru podatkov BDD100k. Modele mrež smo nato testirali in primerjali rezultate s pomočjo IoU metrike za semantično segmentacijo. Opravili smo tudi več eksperimentov s ciljem izboljšanja IoU vrednosti in generalizacije modelov. Na koncu smo modele testirali tudi na Nvidia Jetson TX2 platformi in predlagali možnost vključitve takšnih modelov v sistem avtonomnega vozila.
Keywords: globoko učenje, konvolucijske nevronske mreže, segmentacija voznega pasu, strojni vid, avtonomno vozilo
Published in DKUM: 13.11.2019; Views: 1890; Downloads: 184
Full text (3,48 MB)