1. Inteligentni nadzor obrabe rezalnega orodja s spremljanjem toka na glavnem vretenu : magistrsko deloNiko Turšič, 2023, magistrsko delo Opis: V magistrski nalogi je predstavljen sistem za nadzor rezalnega orodja, ki temelji na
sledenju toka na glavnem vretenu z uporabo umetne nevronske mreže. Glavni namen
aplikacije je razširiti vpogled, ki ga ima operater v stanje orodja med delovanjem
stružnice CNC. Program za analizo lahko nemoteno deluje paralelno na procesnem
računalniku in prejema podatke preko podatkovnega omrežja s krmilnika stružnice. V
delu so predstavljeni proces zajemanja podatkov za učno bazo umetne nevronske mreže
tipa Long-Short Term Memory, arhitektura in učenje nevronske mreže, ki je uporabljena
v tej aplikaciji, ter validacija naučenega modela z umetno inteligenco na novih podatkih.
Prav tako sta predstavljena tudi izdelava in delovanje programa, ki se lahko izvaja na
procesnem računalniku za potrebe pomožne diagnostike orodja. Ključne besede: tok na glavnem vretenu, nevronska mreža, nadzor obrabe orodja, LSTM, umetna inteligenca Objavljeno v DKUM: 05.10.2023; Ogledov: 318; Prenosov: 44
Celotno besedilo (4,61 MB) |
2. Interpretacija odločitev nevronske mreže z metodo lime : diplomsko deloKristijan Dajčman, 2023, diplomsko delo Opis: V diplomskem delu interpretiramo odločitve globokih nevronskih mrež za analizo sentimenta slovenskih in angleških besedil z metodo LIME. Nevronske mreže veljajo za črne škatle, saj je težko pojasniti njihove odločitve s samimi utežmi, kar predstavlja težave pri posvojitvi takšnih modelov v situacijah, kjer je pomembna transparentnost in zanesljivost odločitev. Problem črnih škatel lahko rešimo z metodami interpretiranja, kot je LIME, ki pojasni odločitev črne škatle z lokalnim nadomestkom. V tem delu interpretiramo napovedi treh nevronskih mrež z metodo LIME in poskušamo na podlagi interpretacij razložiti delovanje nevronskih mrež. Ključne besede: LIME, razložljiva umetna inteligenca, nevronska mreža, analiza sentimenta Objavljeno v DKUM: 21.09.2023; Ogledov: 387; Prenosov: 40
Celotno besedilo (2,88 MB) |
3. Nevronski model rezalnih sil za proces frezanja : magistrsko deloUroš Žurman, 2022, magistrsko delo Opis: V magistrski nalogi so opisani modeli za napovedovanje rezalnih sil in principe delovanja nevronskih mrež. V osrednjem delu so predstavljeni trije umetni nevronski modeli za napovedovanje rezalne sile. Za primerjavo je bil narejen statistični model linearne regresije za napovedovanje rezalne sile. Nevronski modeli so bili narejeni s programom MATLAB, model linearne regresije pa z Microsoft Excel. Na koncu so predstavljeni rezultati treh modelov nevronske mreže in statističnega modela linearne regresije. Ključne besede: frezanje, umetna nevronska mreža, regresijska analiza, rezalne sile Objavljeno v DKUM: 26.10.2022; Ogledov: 575; Prenosov: 59
Celotno besedilo (2,37 MB) Gradivo ima več datotek! Več... |
4. Razvoj sistema za pretvorbo besedil v govor z globokimi nevronskimi mrežami : magistrsko deloMatevž Bratina, 2021, magistrsko delo Opis: V magistrski nalogi smo razvili sistem pretvorbe besedila v govor PLATTOS za več jezikov. Sistem bazira na osnovi globokih nevronskih mrež. Osnovni cilj naloge je bil razviti in testirati sistem sinteze govora na osnovi globokega učenja, ki bo čim bolje generiral govor v več jezikih, pri čemer je tudi pomemben čas generiranja. Prvi del naloge tako predstavlja pregled tehnologij sistemov sinteze govora in njihova podrobnejša analiza. Zanimala nas je namreč arhitektura sistema sinteze govora, medsebojna primerjava zmogljivosti sistemov, njihov razvoj in kvaliteta sintetiziranega signala, ki ga določen TTS lahko generira. Sledila je izbira tehnologije globokega učenja, in razvoj novega TTS sistema. Izbrali smo tisto, ki je izkazovala največji potencial, da izpolni vse zastavljene cilje. Sledil je razvoj TTS sistema. Za prvo stopnjo (pretvorba vhodnega besedila v spektrogram) smo izbrali Tacotron globoki model. Ta je namenjen pretvorbi spektrogramov v pripadajoči govorni signal. V drugi stopnji, smo izbrali vokoder Waveglow. Pred izbiro komponent sistema, smo različne tipe vokoderjev in rekonstrukcijskih algoritmov tudi testirali. Sistem TTS na osnovi globokih nevronskih mrež PLATTOS smo testirali na različnih prosto dostopnih bazah govornih podatkov večih jezikov. Ocenjevali in primerjali smo tudi kvaliteto sinteze govora različnih arhitektur z globokimi nevronskimi mrežami. Kot kriterij kvalitete sinteze govora, smo bili predvsem pozorni na naravnost in razumljivost sintetiziranega govora. Pri ocenjevanju kvalitete smo tako uporabili subjektivne MUSHRA teste. Pokazalo se je, da kombinacija globokih nevronskih modelov Tacotron in Waveglow zagotovi najboljše rezultate v večih jezikih, kar se tiče kvalitete sintetiziranega govora in hitrosti generiranja odziva. Ključne besede: globoko učenje, nevronska mreža, sinteza govora, umetna inteligenca, Pytorch, Tensorflow, Tacotron, Waveglow, Wavenet, WaveRNN Objavljeno v DKUM: 18.10.2021; Ogledov: 877; Prenosov: 121
Celotno besedilo (3,01 MB) |
5. Phase-Functioned neural networks for computer character control : magistrsko deloIvan Gradečak, 2020, magistrsko delo Opis: 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. Ključne besede: umetna nevronska mreža, zajem gibanja, animacija, fazna funkcija, krmiljenje likov Objavljeno v DKUM: 01.12.2020; Ogledov: 1330; Prenosov: 105
Celotno besedilo (4,53 MB) |
6. |
7. Globoko učenje in igra dama : diplomsko deloJan Popič, 2019, diplomsko delo Opis: 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. Ključne besede: umetna inteligenca, globoko učenje, konvolucijska nevronska mreža, drevesno preiskovanje Monte Carlo, vzpodbujevalno učenje, igra dama Objavljeno v DKUM: 13.11.2019; Ogledov: 2048; Prenosov: 253
Celotno besedilo (749,47 KB) |
8. Preprečevanje prekomernega prileganja pri učenju večplastnih nevronskih mrežJan Henčič, 2017, diplomsko delo Opis: Diplomsko delo obravnava tematiko strojnega učenja s pomočjo uporabe umetnih nevron-
skih mrež. Te so po svojih sposobnostih in načinu delovanja zelo podobne delovanju
človeških možganov. Imajo sposobnost akumuliranja znanja s tako imenovanim postop-
kom ”učenja”, hkrati pa so sposobne to znanje tudi shranjevati.
Pravilnost delovanja mrež se s postopkom učenja, ki se ponavlja iterativno, povečuje.
Ena izmed glavnih težav pri učenju nevronskih mrež je pojav prekomernega prileganja,
ki se kaže v tem, da mreža ne posplošuje dobro iz učne na testno množico vzorcev. Za
preprečevanje tega pojava je bilo razvitih več tehnik, katerih uporaba, učinkovitost in
primerjava je predmet pričujočega diplomskega dela. Ključne besede: Umetna nevronska mreža, Vzvratno razširjanje, Prekomerno prileganje, Regularizacija Objavljeno v DKUM: 06.10.2017; Ogledov: 1550; Prenosov: 168
Celotno besedilo (2,01 MB) |
9. Razvrščanje vzorcev z uporabo inteligentnih metodLucijano Berus, 2017, magistrsko delo Opis: Magistrsko delo obravnava področje umetne inteligence, strojnega učenja, razvrščanja kompleksnih vzorcev in metode določitve značilk. Predstavljeno je delovanje nekaterih najpogosteje uporabljenih razvrščevalnih algoritmov. Izdelan je bil algoritem za zaznavo Parkinsonove bolezni na podlagi zajetega zvočnega signala. Meritve zvoka so bile narejene na štiridesetih posameznikih. Od tega je bila polovica zdravih in polovica z Parkinsonovo boleznijo. Namen naloge je razviti robusten sistem za zaznavo prisotnosti Parkinsonove bolezni. Za izboljšanje natančnosti razvrščanja, so bile uporabljene različne tehnike določitve značilk (Pearsonov korelacijski koeficient, Khendallov korelacijski koeficient in Samoorganizacijske gruče) in topologije nevronskih mrež. S pomočjo usmerjene nevronske mreže, je bila dosežena 86,47 % natančnost razvrščanja. Omenjena natančnost je bila dosežena z uporabo redukcije značilk na podlagi Pearsonovega korelacijskega koeficienta. Ključne besede: umetna inteligenca, klasifikacija, strojno učenje, Parkinsonova bolezen, umetna nevronska mreža Objavljeno v DKUM: 13.09.2017; Ogledov: 2371; Prenosov: 296
Celotno besedilo (1,48 MB) |
10. Uporaba nevronskih mrež za napoved pretovora v Luki Koper, d.d.Tom Žumer, 2017, magistrsko delo/naloga Opis: Uspešne odločitve podjetij med drugim temeljijo tudi na napovedih. Le-te morajo biti dobre in natančne, da lahko podjetja ohranjajo svojo konkurenčno prednost. Napovedi se danes izvajajo z naprednejšimi metodami, med katere spadajo tudi nevronske mreže. V magistrskem delu smo želeli ugotoviti, ali so umetne nevronske mreže primerne za napovedovanje pretovora v Luki Koper, d. d. Podatki pretovora so bili sestavljeni iz generalnega in tekočega tovora, zaradi česar smo razvili dva modela umetne nevronske mreže, in sicer model mreže časovne vrste generalnega tovora in model mreže časovne vrste tekočega tovora. Modela vsebujeta t. i. NARX (ang. nonlinear autoregressive network with exogenous inputs) arhitekturo nevronske mreže. Izdelavo modela smo razdelili v dva koraka. V prvem koraku smo naredili redukcijo makroekonomskih kazalnikov, ki so nam predstavljali eksogene vhode modela. Izvedli smo jo z metodo analize glavnih komponent v kombinaciji z Monte Carlo simulacijo ter multiplo linearno regresijo. Modelu umetne nevronske mreže generalnega tovora smo namenili deset spremenljivk, modelu za tekoči tovor pa smo namenili štiri spremenljivke. V drugem koraku smo razvili umetno nevronsko mrežo generalnega in tekočega tovora. Rezultati obeh modelov so bili zadovoljivi. Poleg solidnega prileganja ocenjenih in dejanskih podatkov pretovora sta modela izpolnila tudi vse kriterije za kakovost modela. Glede na dobljene rezultate obeh modelov menimo, da so umetne nevronske mreže primerne za napovedovanje pretovora v Luki Koper, d. d. Ključne besede: umetna nevronska mreža, analiza glavnih komponent, Monte Carlo simulacija, makroekonomski kazalniki, pretovor, napovedovanje, analiza časovnih vrst Objavljeno v DKUM: 05.06.2017; Ogledov: 1935; Prenosov: 168
Celotno besedilo (4,14 MB) |