Statistická a strojová klasifikace signálů akustické emise pro detekci defektů v materiálech
Classification of acoustic emission signals in material defectoscopy based on statistics and machine learning
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Jan Zavadil
Vedoucí práce
Kůs Václav
Oponent práce
Dvořáková Zuzana
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
Spolehlivá klasifikace signálů akustické emise je klíčová pro praktické využití této defektoskopické metody. Signály jsou při klasifikaci reprezentovány pomocí vhodné nízkodimenzionální skupiny atributů. V této práci se zabýváme výběrem vhodných atributů a následně popisem a srovnáním několika metod klasifikace, jmenovitě Divizivní metody, Model Based klasifikace, metody KDE a klasifikace za pomoci Divergenčního stromu s učitelem. Součástí práce je návrh vlastního atributu a vlastní klasifikační metody. Testování metod provádíme na laboratorně naměřených datech. Jako nejspolehlivější klasifikační metoda se jeví metoda KDE s učitelem. Reliable classification of acoustic emission signals is crucial for practical use of this nondestructive testing technique. During our classification, signals are represented by a convenient, low-dimensional set of attributes. This paper addresses the problem of selecting appropriate atributes and consequently describes and compares several classification methods, specifically Division methods, Model Based clustering, KDE method and classification using Supervised Divergence Decision Tree. The paper proposes new attribute and classification method. The methods were tested and compared on a set of laboratory measured data. The most reliable method seems to be the supervised KDE classification method.
Kolekce
- Bakalářské práce - 14101 [278]