Strojové učení pro klasifikaci zdrojů spojité akustické emise
Machine Learning for Classification of Continuous Acoustic Emission Sources
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Tereza Fucsiková
Vedoucí práce
Chlada Milan
Oponent práce
Franc Jiří
Studijní obor
Matematické inženýrstvíStudijní program
Aplikace přírodních vědInstituce přidělující hodnost
katedra matematikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Strojové učení je v současné době velmi populární oblastí umělé inteligence. Hluboké učení poté zpracovává vstupní data skrze vrstvy předávající datům smysluplnější reprezentace. Jedním z modelů, které hluboké učení k reprezentaci vrstev používá, jsou neuronové sítě. Konvoluční neuronové sítě (CNN) představují průlomovou architekturu pro rozpoznání obrazových dat, zároveň nabízejí 1D variantu pro časové řady. V práci jsou použity různé architektury CNN ke klasifikac dat ultrazvukového signálu akustické emise, který je generován odkrajováním materiálu v důsledku vyvrtání díry vrtačkou. Zároveň je zde vytvořen programovací základ k jejich implementaci. Na vykreslených datech se nakonec diskutuje správnost fungování modelů. Machine learning is currently a very popular field of artificial intelligence. Deep learning then processes the input data through layers imparting more mea- ningful representations to the data. One of the models that deep learning uses to represent layers is neural networks. Convolutional neural networks (CNNs) represent a breakthrough architecture for image recognition, while offering a 1D variant for time series. In this paper, different CNN architectures are used to classify ultrasonic acoustic emission signal data that is generated by material removal due to drilling a hole by a drill. Simultaneously, a fundamental code for their implementation is developed. Finally, the correct functioning of the models is discussed on the plotted data.
Kolekce
- Bakalářské práce - 14101 [278]