Browsing by Author "Bazan, Jan"

Now showing 1 - 2 of 2

Access status: Open Access ,
Real-time diagnostics of vehicle operation using data mining methods
(Data obrony: 2024-09-13) Kowalik, Bartosz
Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Niniejsza praca doktorska przedstawia innowacyjne podejście do tematu diagnostyki pojazdów w czasie rzeczywistym, wykorzystując potężne możliwości metod eksploracji danych. Praca ta proponuje nowy system diagnostyczny, który może przewidywać potencjalne awarie, zanim przekształcą się w poważniejsze problemy, analizując dane pojazdowe w czasie rzeczywistym za pomocą koncepcji entropii. W tej pracy kluczowe znaczenie ma zastosowanie parametryzowanej entropii jako kluczowego elementu analitycznego, który umożliwia głębokie zrozumienie losowości lub nieporządku w danych operacyjnych pojazdu. Połączenie tego podejścia z zaawansowanymi algorytmami uczenia maszynowego pozwala systemom identyfikować problemy obecnie i przewidywać awarie w przyszłości. Ta analiza opiera się na danych uzyskanych przez system diagnostyki pokładowej OBD-II. Praca ta opisuje postępy w tworzeniu dostępnej i wydajnej platformy diagnostycznej w czasie rzeczywistym. System oferuje opłacalne rozwiązanie diagnostyczne, wykorzystując moc przetwarzania serwera i sprzęt dostępny dla konsumentów. Włączenie analizy entropii i uczenia maszynowego w tę platformę stanowi znaczący postęp w tej dziedzinie, ponieważ zapewnia zwiększoną dokładność w przewidywaniu i diagnostyce awarii. Analiza entropii poprawia zdolność predykcyjną, pokazując zmienność i złożoność danych, co umożliwia dokładniejszą diagnostykę.
Access status: Open Access ,
Zespoły klasyfikatorów oparte na cechach DTW i głębokich reprezentacjach akcji ludzi na mapach głębi
(Data obrony: 2024-07-05) Treliński, Jacek
Wydział Informatyki
Rozpoznawanie akcji jest ważnym zagadnieniem w dziedzinie widzenia komputerowego, które polega na identyfikacji i zrozumieniu działań oraz aktywności człowieka na podstawie sekwencji obrazów lub map głębi. Jest to zadanie złożone i wymagające, ze względu na liczne praktyczne trudności, takie jak zakłócenia tła, zmiany skali, przysłonięcia, a także zmiany punktu widzenia, oświetlenia i wyglądu osoby. Tematyka rozprawy koncentruje się na rozpoznawaniu akcji w przypadku małych zbiorów sekwencji map głębi. W tym kontekście została zaproponowana nowa metoda uczenia zespołowego oparta na sieciach neuronowych, nazwana NECSCF. Przebadano trzy wersje algorytmu NECSCF - jedną dla danych tabelarycznych i dwie dla rozpoznawania akcji. W pracach badawczych przeprowadzonych na danych tabelarycznych pokazano eksperymentalnie, że NECSCF osiąga dobre wyniki na zbiorach o ograniczonej liczbie przykładów. Algorytm NECSCF wymaga opracowania odpowiednich cech wspólnych. W celu zastosowania nowego algorytmu w problemie rozpoznawania akcji, proponuje się nowy zestaw cech opartych na odległości DTW dla szeregów czasowych. Przebadano eksperymentalnie dwie wersje algorytmu NECSCF do rozpoznawania akcji. Pierwsza wersja wykorzystuje cechy oparte na DTW (obliczone na podstawie cech tworzonych ręcznie) jako cechy wspólne, natomiast cechy specyficzne dla każdej klasy są wyznaczane w dwóch etapach. W pierwszym etapie cechy są wyodrębniane poprzez sieci konwolucyjne na mapach głębi, a następnie w drugim etapie cechy są wyznaczane na szeregach czasowych za pomocą jednej z trzech metod: sieci konwolucyjnej ID, sieci Siamese ID lub cech statystycznych. Druga wersja algorytmu NECSCF została uproszczona i nie korzysta z cech tworzonych ręcznie. Cechy specyficzne dla każdej klasy są wyznaczane przez sieci TD-LSTM trenowane w jednym etapie (end-to-end). W tej wersji wykorzystuje się dwa rodzaje cech wspólnych: oparte na uczeniu nienadzorowanym (konwolucyjny autoenkoder) oraz cechy oparte na DTW. Cechy DTW nie są wyznaczane na cechach stworzonych ręcznie, lecz na cechach wyznaczonych przez sieć Siamese. Zaproponowana metoda NECSCF osiągnęła konkurencyjne wyniki zarówno na danych tabelarycznych, jak i w rozpoznawaniu akcji. Proponowane algorytmy umożliwiają połączenie zalet różnych architektur uczenia głębokiego oraz pozwala na skuteczne wykorzystanie algorytmu DTW wraz z sieciami neuronowymi.