Prof. Stanisław Jankowski

Transkrypt

1 Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228

2 Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny grafowe Wielopoziomowe systemy uczące się Klasyfikacja automatyczna, rozpoznawanie obrazów Modele zjawisk, procesów i obiektów Zastosowania Wspomagana komputerowo diagnostyka medyczna, np. elektrokardiografia - WUM Modelowanie struktury geologicznej - Państwowy Instytut Geologiczny Modelownie właściwości materiałów elektronicznych - ITME Optymalizacja procesów podejmowania decyzji w wielkich sieciach energetycznych - ENERGA Rozpoznawanie czynności człowieka zastosowania do analizy sportowych gier zespołowych (siatkówka)

3 Zastosowanie sieci neuronowych do budowy modelu geologicznego Celem pracy jest wyznaczenie powierzchni warstw geologicznych w wybranym obszarze (np. okolice Warszawy) za pomocą sieci neuronowych typu perceptron wielowarstwowy. Temat realizowany we współpracy z Państwowym Instytutem Geologicznym, który dostarczy dane przestrzenne punktowe. Zadania: a) zapoznanie się ze zbiorami danych i przetwarzanie wstępne danych; b) przetwarzanie wstępne danych geologicznych; c) podstawy teoretyczne sztucznych sieci neuronowych jako uniwersalnych aproksymatorów powierzchni; d) opracowanie programów narzędziowych; e) wizualizacja wyników. Zastosowanie maszyn uczenia ekstremalnego do rozpoznawania obrazów Opracowanie algorytmów i programów tzw. maszyn uczenia ekstremalnego jako efektywnej metody uczenia sieci neuronowych. Analiza algorytmu w celu ustalenia związku między strukturą systemu uczącego i postacią funkcji dyskryminacyjnej. Przykłady zastosowania uczenia ekstremalnego i ocena jakości metody w porównaniu z perceptronem wielowarstwowym. Zastosowanie do rozpoznawania obrazów z bazy MNIST.

4 Program wspomagania diagnozy sygnału elektrograficznego w zapisie Holtera z wykorzystaniem klasyfikacji transdukcyjnej Metody klasyfikacji statystycznej. Transdukcja jako metoda optymalnego wykorzystania danych. Wirtualna skrajna ocena krzyżowa jako estymator wpływu. Efektywny algorytm oceny wpływu dla klasyfikatora w postaci maszyny wektorów nośnych. Badania testowe. Klasyfikacji wybranych patologii na podstawie sygnału EKG w zapisie Holtera z dostępnych baz danych. Ocena otrzymanych wyników. Transdukcyjny klasyfikator sygnałów EKG wysokiej rozdzielczości wykorzystujący statystykę wpływu Podstawy klasyfikacji statystycznej: sieci neuronowe, maszyny wektorów nośnych. Podstawy elektrokardiografii. Ocena wpływu danych pomiarowych na efekt klasyfikacji - wirtualna skrajna ocena krzyżowa. Transdukcja jako metoda optymalnego wykorzystania danych. Wykonanie badań testowych. Ocena skuteczności klasyfikacji transdukcyjnej jako narzędzia wspomagającego diagnostykę medyczną.

5 Programy do selekcji istotnych parametrów sygnałów EKG wysokiej rozdzielczości w celu poprawy efektywności diagnostycznej Podstawy klasyfikacji statystycznej: sieci neuronowe, maszyny wektorów nośnych. Badanie wpływu wielkości wejściowych na wyniki klasyfikacji. Metody selekcji wielkości wejściowych. Opracowanie programu realizującego selekcję zmiennych wejsciowych. Badania testowe. Podstawy elektrokardiografii. Analiza komputerowa sygnałów EKG wysokiej rozdzielczości. Analiza wyników. Projekt filtru memristorowego Podstawy teoretyczne układów memristorowych, opis matematyczny, interpretacja fizyczna. Modele w języku SPICE., symulator memristora w środowisku MATLAB. Podstawy projektowania układów elektronicznych z memristorami. Projektowanie filtru memristorowego.

6 System rozpoznawania czynności człowieka z obrazu kamery zastosowanie do analizy gier zespołowych (Kinect) Cel pracy: rozpoznawanie czynności i automatyczna analiza na podstawie rejestracji video do analizy zachowania zawodników gry w siatkówkę, np. sposobu odbijania piłki. Czynność to zbiór ruchów, które tworzą wzorzec zachowania danego osobnika. Zadania: reprezentacja czynności na podstawie cech czasowo-przestrzennych określonych lokalnie lub globalnie. Wybrany zespół cech określonych ilościowo zostanie wykorzystany jako wektor wejściowy automatycznego klasyfikatora sieci neuronowej, aby rozpoznawać daną czynność w innej rejestracji video. Cechy mogą być opisane lokalnie: lub globalnie np. czasoprzestrzenne punkty charakterystyczne. Mogą być określone na podstawie trajektorii. W celu rozpoznawania czynności zawodnika zostanie zastosowana sieć neuronowa z blokiem przetwarzania wstępnego realizującego algorytm uczenia głębokiego (ang. Deep learning system).