Ing. Petr Tichavský, CSc. (externí spolupracovník)

Analýza signálu v nedestruktivním testování pomocí slepé separace a umělé inteligence

školitel:	Ing. Petr Tichavský, DSc.
e-mail:	zobrazit e-mail
typ práce:	dizertační práce
zaměření:	MI_MM, MI_AMSM
klíčová slova:	umělá inteligence, neuronové sítě, slepá separace, akustická emise
přiložený soubor:	pdf
popis:	Aktuální rozvoj umělé inteligence (AI) a signálové analýzy přináší nové nástroje a možnosti progresu i do oblasti nedestruktivního testování (NDT). Konkrétně signály akustické emise nesoucí informace o složitých materiálových procesech lze vytěžit podstatně obsáhleji, než umožňují doposud aplikované algoritmy založené na standardních parametrech signálů od sledovaných emisních zdrojů. Podobně jako ve směsích akustických signálů analyzovaných metodami slepé separace (BSS) bývají emisní projevy materiálových poruch zahlcené nežádoucími provozními ruchy. Algoritmy používané ve slyšitelné části spektra je možné zobecnit rovněž pro případ ultrazvukových frekvencí a disperzních prostředí jako jsou pevné látky. I zde je efektivní eliminace nežádoucího rušení úlohou pro slepou separaci zdrojů, či umělou inteligenci, inspirovanou lidskou schopností vnímání specifických složek akustického signálu na základě profesní zkušenosti. Cílem práce by bylo srovnání obou přístupů (BSS a AI) na rozsáhlých datech, konkrétně spojitých signálů akustické emise nebo audio záznamech. Aplikovány a rozvíjeny by byly nové modely hlubokého učení, jako např. transformery, vycházející z rekurentních sítí a zavádějící inovativní výpočetní bloky (attention moduly). Dále efektivní metody učení, augmentace tréninkových dat, zajištění dostatečné generalizace, či generování vyhovujících konfigurací sítí na základě statistické optimalizace nebo evolučních algoritmů.
literatura:	[1] Poole, David Lynton, and Alan K. Mackworth. Artificial Intelligence: Foundations of Computational Agents. 2nd ed, Cambridge university press, 2017. ISBN 9781107195394 [2] Sergios Theodoridis, Machine Learning (Second Edition), Academic Press, 2020, ISBN 9780128188033 [3] Kevin P. Murphy, Machine Learning - A Probabilistic Perspective, Mit Press Ltd., ISBN: 9780262018029 [4] Gan, G., Chaoqun, M. A., and Wu, J. Data Clustering: Theory Algorithms and Applications. Celeux, Gilles. (2008). [5] Brown, James Ward, and Ruel V. Churchill. Complex Variables and Applications. 6th ed, McGraw-Hill, 1996. ISBN 978-0-07-912147-9. [6] Smith, Steven W. The Scientist and Engineer’s Guide to Digital Signal Processing. 1st ed, California Technical Pub, 1997. ISBN 0966017633 [7] Stevens, Eli, et al. Deep Learning with PyTorch. Manning Publications Co, 2020., ISBN 9781617295263 [8] Quinn, Joanne. Dive into Deep Learning: Tools for Engagement. Corwin, 2020. ISBN 9781544361376
poznámka:	školitel specialista: Ing. Milan Chlada, Ph.D. (chlada@it.cas.cz)
naposledy změněno:	11.04.2022 18:34:08

Databáze V3S

Aplikace V3S eviduje výsledky vědy a výzkumu a další aktivity vědecko-výzkumných pracovníků ve vědecké komunitě. Aplikace V3S slouží k odesílání výsledků do RIV, exportům pro statistické analýzy i k interním hodnocením vědecko-výzkumné činnosti.

Seznam publikaci ve V3S