OLLÉ, T. Klasifikace vzorů pomocí fuzzy neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2012.

Posudky

Posudek vedoucího

Svobodová, Jitka

Student se seznámil s problematikou neuronových sítí a neuro-fuzzy. Jako trénovací a testovací množinu zvolil data získaná ze zvukového signálu, u nichž rozpoznával, z jakého jazyka jsou jednotlivá slova. Výsledkem práce je srovnání vícevrstvé neuronové sítě s algoritmem učení backpropagation a neuro-fuzzy systému "Adaptive Neuro-Fuzzy Inference System". Uvedené dvě metody byly implementovány v prostředí Matlab. Sítě jsou schopny rozpoznávat naučené vzory, bohužel nebyla použita větší trénovací a testovací množina, které by umožnily rozsáhlejší statistickou analýzu výsledků a srovnání generalizačních schopností sítí. Testovací sada signálů byla prakticky totožná se sadou trénovací. Pro použití této úlohy v praxi by bylo nutné zvukové signály vhodným způsobem předzpracovat, což v rámci diplomové práce provedeno nebylo. V průběhu řešení bylo u studenta patrné zlepšení v samostatnosti a práci s literaturou. Po formální stránce je práce na dobré úrovni kromě několika drobností (například obrázek 7.1 obsahuje údaje, které jsou uvedeny v následující tabulce). Práce je psána srozumitelnou angličtinou.

Navrhovaná známka
D
Body
63

Posudek oponenta

Kontár, Stanislav

Uvedená práce se zabývá problematikou použití kombinace fuzzy logiky a umělých neuronových sítí pro klasifikaci vzorů. Kapitola 2 popisuje detailně fungování skutečných a umělých neuronových sítí, kapitola 3 pak popisuje standardní trénovací algoritmus. V popisu rovnice 2.6 je napsáno, že vektor vah w může být také reprezentován maticí, ale již není vysvětleno proč, a také zde chybí vysvětlení jak vynásobením vektoru s maticí vznikne v tomto případě skalár. Je zde zmíněno nebezpečí přetrénování neuronové sítě a postup, jak přetrénování předejít. Autor používá řečnických otázek a často oslovuje čtenáře jako „we“, což je vhodné pro populárně naučnou literaturu, nikoli však pro technickou práci. Například: „We need to understand“, „Lets have a look“, „Now, after we have reviewed the algorithm in detail, let’s take a look how“, „An important questions is: when do we need to stop the training?“ Kapitola 4 popisuje Fuzzy logiku. Hlavní část kapitoly popisující samotné fuzzy systémy je příliš stručná. Poté se autor věnuje porování Fuzzy systémů s Neuronovými sítěmi a představuje dva koncepty jejich propojení. Popisuje typickou architekturu, bohužel vytrženě z kontextu, bez jasné návaznosti na problematiku klasifikace. Kapitola 5 popisuje Adaptive Neuro Fuzzy Interference System. Popis je nekonzistentní se zbytkem práce a fungování systému ve smyslu propojení neuronové sítě a fuzzy systému je nejasné. Algoritmus trénování a testování sítě by měl být popsán detailněji. V kapitole 6 je popsána trénovací množina dat. Autor se zmiňuje, že rozpoznávání řeči je obtížná úloha, jeho práce však nenasvědčuje tomu, že by problematiku blíže prostudoval. Byla vytvořena trénovací množina o velikosti 60 vektorů a testovací množina 15 vektorů, což je pro trénování neuronových sítí velmi málo. Kapitola 7 popisuje vlastní realizaci v Matlabu. Autor popisuje rozdělení signálů do segmentů variabilní délky v závislosti na délce slova (~50ms dlouhých), filtrování pásmovou propustí a extrakci parametrů pomocí FFT. Toto je nedostatečný postup pro zpracování řeči. Vybraný typ dat je pro danou aplikaci nevhodný. V kapitole 8 jsou diskutovány výsledky. Není jasné, jak bylo zajištěno nastavení všech systémů pro optimální fungování, a proč je trénování všech systémů kvalitativně porovnatelné. Například časově experiment se sítí ANFIS je 45x delší (časy pro experimenty jsou 450, 10 a 30 sekund), než při použití standardní neuronové sítě. Počty epoch jsou také neodpovídající (3, 50, 2000), kritéria pro zastavení trénování jsou popsány velmi vágně. Levenberg-Marquardt trénovací algoritmus použité neuronové sítě není v práci popsán. Autor dle popisu nevyužil žádné z metod zabránění přetrénování neuronové sítě. Chybí jasné porovnání použitých systémů ve smyslu získaných výsledků. Appendix „Matlab programs“ obsahuje listing programů. Programy jsou chabě komentovány, obsahují části zakomentované implementace a komentáře „Detailed explanation goes here“. 1. Splnění požadavků zadání (10 / 20 bodů) Student nesplnil zadání diplomové práce, konkrétně body: „Navrhněte neuronovou síť, které je kombinací fuzzy systému a zvoleného typu neuronové sítě“ – autor použil síť ANFIS, žádnou vlastní nenavrhl. „Navržený systém naprogramujte v prostředí MATLAB“ – autor použil síť ANFIS obsaženou v Fuzzy Logic Toolboxu, žádný systém neimplementoval. „Získané výsledky porovnejte s výsledky získanými pomocí vybraných typů neuronových sítí bez použití fuzzy logiky“ – porovnání je vágní a bez jasného zhodnocení. Ostatní body zadání jsou splněny s výhradami. 2. Odborná úroveň práce (20 / 50 bodů) Práce obsahuje chyby a nejasnosti. Autor použil pro testování řečová data bez prostudování problematiky extrakce parametrů. Experimenty jsou prováděny za nesrovnatelných podmínek. Autor použil předpřipravený systém ANFIS bez vlastní implementace a tudíž není jasné, zda problematiku tvorby hybridních sítí pochopil. 3. Interpretace výsledků a jejich diskuse (5 / 20 bodů) Autor nedospěl k žádnému jasnému závěru, interpretace výsledků je z větší části ponechána na čtenáři. Popis grafů a tabulek s výsledky je nedostatečný. 4. Formální zpracování práce (9 / 10 bodů) Text obsahuje obraty nevhodné pro technickou práci. Autor má v seznamu citací jednu publikaci třikrát (jednou pro každou použitou kapitolu).

Navrhovaná známka
F
Body
44

Otázky

eVSKP id 52351