20.500.12556/RUL-130578 Izboljšave Gaussovih mešanih modelov za klasifikacijo na področju obratovalne trdnosti Improvements of Gaussian mixture models for classification of operational strength problems Doktorsko delo predstavlja rezultate ocenjevanja Gaussovega mešenega modela za potrebe klasifikacije v obratovalni trdnosti. Predstavljene so REBMIX & EM strategije za ocenjevanje parametrov Gaussovega mešanega modela. Ocenjevanje parametrov temelji na kombinaciji algoritma REBMIX in EM. REBMIX algoritem na podlagi znane empirične gostote porazdelitve verjetnosti za določen vzorec opazovanj oceni aproksimativne začetne parametre Gaussovega mešanega modela, ki jih nato izboljšamo s pomočjo EM algoritma. Za oceno empirične gostote porazdelitve verjetnosti, ki jo potrebujemo v algoritmu REBMIX, smo predstavili več možnih rešitev. To je prineslo tri različne REBMIX & EM strategije, in sicer Izčrpna strategija REBMIX & EM, Najboljša strategija REBMIX & EM ter Enotna strategija REBMIX & EM. Za oceno optimalnega histograma, ki ga rabimo pri ocenjevanju empirične gostote porazdelitve verjetnosti, smo prikrojili lasten optimizacijski algoritem. Ta temelji na algoritmu koordinatnega spusta. Za cenilko uspešnosti histograma je bilo izbrano Knuthovo pravilo. Za potrebe klasifikacije smo naredili dodaten tristopenjski postopek filtriranja nepomembnih lastnosti. Hkrati smo nakazali način kako lahko izboljšamo uspešnost klasifikacije, če vplivamo na parameter glajenja v histogramskem predprocesiranju REBMIX algoritma. The thesis presents the results of the evaluation of the Gaussian mixture model for the purpose of classification in operational strength. REBMIX & EM strategies for estimating the parameters of a Gaussian mixture model are presented. The parameter estimation is based on a combination of the REBMIX and EM algorithms. The REBMIX algorithm estimates the approximate initial parameters of the Gaussian mixture model based on the known empirical probability density distribution for a given sample of observations, which are then improved using the EM algorithm. To estimate the empirical probability density required for the REBMIX algorithm, we presented several possible solutions. This resulted in three different REBMIX and EM strategies, namely Exhaustive REBMIX & EM strategy, Best REBMIX & EM strategy, and Single REBMIX & EM. The histogram is used to estimate the empirical probability density. To estimate the optimal histogram, we have developed our own optimization algorithm based on the coordinate descent algorithm. Knuth's rule was chosen to evaluate the performance of the histogram. For classification, we have developed an additional three-step procedure to philtre out irrelevant features. At the same time, we have shown a way to improve the classification performance by influencing the smoothing parameter in the histogram preprocessing of the REBMIX algorithm. Gaussov mešan model REBMIX algoritem EM algoritem histogram klasifikacija zaznavanje napak segmentacija slik Gaussian mixture model REBMIX algorithm EM algorithm histogram classification fault detection image segmentation true false false [Branislav Panić] Slovenski jezik Angleški jezik Doktorsko delo/naloga 2021-09-16 08:30:23 2021-09-16 08:30:24 2023-12-12 13:12:29 0000-00-00 00:00:00 2021 0 Ljubljana 0 XXVIII, 156 str. 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 620.178.3:519.218.7:311.13(043.3) 234022 76948227 11113.pdf 11113.pdf 1 45F8227FA73032296C888A71E9D2038E 7db6fa3301fecbe0848a18256c03c5ece2e7ac12bf2c4146a197e0dc33ef1e91 52bf1de2-16b7-11ec-a523-00155dcfd717 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=147714 Fakulteta za strojništvo 0 0 0