1. Uporaba markovskih verig v generiranju algoritmične kompozicije v programskem jeziku Pure DataLorena Mihelač, 2015 Opis: Cilj diplomske naloge je ustvariti algoritem za ustvarjanje nove algoritmične kompozicije s pomočjo stohastičnega procesa, metode markovskih verig prvega in drugega reda ter programskega jezika Pure Data. Za podlago bosta uporabljeni dve MIDI-datoteki, avtorska skladba Etuda, prvi stavek iz Beethovnove Mondschein sonate ter pet glasbenih nizov. Pri ustvarjanju algoritmične kompozicije bosta preizkušena dva pristopa, in sicer samostojno računalniško generiranje algoritmične kompozicije ter interaktivno soustvarjanje algoritmične kompozicije, kar pomeni določeno poseganje avtorja v algoritem zaradi večje umetniške vrednosti ustvarjene skladbe.
Namen uporabe teh dveh različnih pristopov je v tem, da se ugotovi, koliko je pridobljeni primerek algoritmične skladbe lep/sprejemljiv/dober in kateri primerek algoritmične kompozicije je bolj sprejemljiv in zanimiv: primerek, ki ga je ustvaril stroj – računalnik ali primerek, ki je posledica soustvarjanja (človek in stroj – računalnik). Najdeno v: ključnih besedah Ključne besede: algoritem, algoritmična kompozicija, markovske verige, Pure Data Objavljeno: 22.08.2018; Ogledov: 2891; Prenosov: 124 Celotno besedilo (2,57 MB) |
2. Modelling human cardiorespiratory system through heart-rate variabilityAlbert Zorko, 2020 Opis: The modern computer resources and the data analysis methods allow for a biomedical data to be examined in a more detail than ever. The heart rate variability (HRV) is an easily accessible vital signal that offers a range of useful information about the person under a study. One such application regards an automatical determining whether a person is awake or asleep from the HRV data only. This is of an importance not just for medical but also for practical applications, such as a traffic safety or smart homes.
In this doctoral work we study the HRV data of 75 healthy individuals of a varying age and sex, recorded with a microsecond precision. We employ the empirical fact that heart and respiration cycles couples differently during a sleep and awake period. Namely, a respiratory modulation of a heart rhythm or a respiratory sinus arrhythmia (RSA) is more pronounced while asleep, as both sleep and RSA are connected to a strong vagal activity. Therefore, the onset of sleep can be recognized or perhaps even predicted by a carefully examining the cardio-respiratory coupling. We show that the above can indeed be used, at least in principle, to design an algorithmic method to automatically determine the state of a person's consciousness from the HRV data only.
On the methodological front we rely on quantifying the (self)similarity among the shapelets, the short chunks of the HRV time series, that allow for a consistent comparison among and within the time series. To establish a better benchmark, we also carry out a comprehensive analysis of the overall HRV dynamics depending on age and sex.
Our results include: (i) that a distinctive patterns of the HRV dynamics are consistent across age and sex, (ii) that they are not only an indicative of sleep and awake, but allow to pinpoint the change from awake to sleep and vice versa almost immediately, (iii) that the shapelet analysis is a viable tool to examine these data with a great precision. We conclude that a more systematic analysis involving more subjects could lead to a practical method for the prediction of the onset of sleep. Najdeno v: ključnih besedah Ključne besede: algoritem, EKG, Holter, vzorčna entropija, razmerje signal-šum, klasifikacija Objavljeno: 18.09.2020; Ogledov: 2180; Prenosov: 216 Celotno besedilo (5,09 MB) |
3. Razvoj, ovrednotenje in primerjava odločitvenih modelov za napovedovanje delovanja čistilne napraveMarko Štemberger, 2023 Opis: V diplomski nalogi raziskujemo, kako lahko odločitvene modele v programu Orange
uporabimo za čiščenje odpadne vode. Glavno vprašanje, ki nas zanima, je, kako dobro lahko ti
modeli napovedujejo učinkovitost čistilnih naprav za odpadne vode, še posebej ko gre za
razmerje med različnimi vhodnimi in izhodnimi parametri. Da bi to ugotovili, smo se lotili
kombinacije empirične analize in strojnega učenja. Uporabili smo tri različne algoritme: Neural
Networks (NN), Random Forest (RF) in Naivni Bayes (NB). Da bi še dodatno izboljšali naše
modele, smo vključili tudi algoritem ReliefF, ki nam je pomagal izbrati tiste spremenljivke, ki
najbolj vplivajo na naše rezultate. Glavni cilj naše raziskave je bil razjasniti, kako lahko
odločitveni modeli pomagajo pri čiščenju odpadne vode. Končni cilji so bili jasni: ustvariti
robustne odločitvene modele, preveriti, kako dobro delujejo, in ugotoviti, katere spremenljivke
so ključne za uspešno čiščenje odpadne vode. Najdeno v: ključnih besedah Ključne besede: strojno učenje, nevronske mreže, naključni gozd, naivni Bayes, algoritem ReliefF, odločitveni modeli, Orange Objavljeno: 06.12.2023; Ogledov: 314; Prenosov: 28 Celotno besedilo (3,71 MB) |