Informatikai Tudományok Doktori Iskola
Állandó link (URI) ehhez a gyűjteményhez
Informatikai Kar
Informatikai Tudományok Doktori Iskola
(vezető: Dr. Baran Sándor)
Természettudományi és Informatikai Doktori Tanács
tudományterület:
- műszaki tudományok
tudományág:
- informatika tudományok
Doktori programok:
- Adattudomány és vizualizáció
Data science and visualization
(programvezető: Dr. Hajdu András) - Alkalmazott információ technológia és elméleti háttere
Applied Information Technology and its Theoretical Background
(programvezető: Dr. Terdik György) - Elméleti számítástudomány, adatvédelem és kriptográfia
Theoretical computer science, data security and cryptography
(programvezető: Dr. Pethő Attila) - Az információ technológia és a sztochasztikus rendszerek elméleti alapjai és
alkalmazásai
Theoretical foundation and applications of information technology and stochastic systems
(programvezető: Dr. Fazekas István) - Informatikai rendszerek és hálózatok ipari alkalmazásokkal
Information Technology Systems and Networks with Industrial applications
(programvezető: Dr. Sztrik János)
Böngészés
legfrissebb feltöltések
- TételSzabadon hozzáférhetőAszimptotikus eredmények a valószínuségszámítás területénA disszertáció a valószínuségelmélet határérték tételei témakörébe tartozó néhány eredményt tartalmaz. A 2. és a 3. fejezet a nagy számok törvényeihez tartozó aszimptotikus tételeket és a velük kapcsolatos egyenlotlenségeket tárgyalja, a 4. fejezet pedig véletlen zajjal terhelt mátrixok sajátértékeinek aszimptotikus viselkedését elemzi. A 2. és 3. fejezet egymással szoros összefüggésben van, míg a 4. fejezet a korábbi kettohöz egy tételen keresztül kapcsolódik. A disszertációban megtartottuk a megjelent cikkek szerkezetét, de a cikkeket kiegészítettük néhány magyarázattal és részletesebb bizonyításokkal.
- TételSzabadon hozzáférhetőMethods, packages, and applications for the development and use of Mental Cutting Test exercisesEbben a disszertációban átfogó képet adunk arról a kutatásunkról, mely elsősorban a Mental Cutting Test feladatok előállítását szeretné hatékonyabbá tenni különféle eljárások és alkalmazások tervezésével és fejlesztésével. A főbb eredményeinket öt tézisben ismertetjük. In this dissertation, we give an overview of our research about the design and development of procedures and applications, which aim is to enhance the development and use of Mental Cutting Test exercises. We highlight the main contributions of this dissertation using five theses.
- TételSzabadon hozzáférhetőNetwork evolution models governed by branching processesA disszertációban két új hálózatfejlődési modellt tanulmányozunk. A modelljeink szerkezetét és a fejlődési működésüket néhány mindennapi megfigyelés ihlette. Az első fejezetben egy 3-interakción alapuló modell pontos matematikai alakját adjuk meg, majd ismertetjük a főbb eredményeinket. A második fejezetben már egy 2- és 3-interakción alapuló modellre adunk meg precíz matematikai tételeket. Az eredményeinket empirikusan is igazoltuk. In this thesis, we study two new network evolution models. The structure and the rules of the evolution of our models were inspired by some everyday experiences. In the first chapter, we give the exact mathematical form of a 3-interaction model and then present our main results. In the second chapter we give precise mathematical theorems for a 2- and 3-interaction model. Our results are also empirically verified.
- TételSzabadon hozzáférhetőEmberi tevékenység felismerés EEG szenzorok adataiból gépi tanulássalAz agy működését kísérő elektromos jelenségek elemzésének egyik módszere az elektroenkefalográfia (EEG), amelynek segítségével tanulmányozható a pszichés működés élettani háttere az idegsejtek elektromos aktivitásának regisztrálása útján. A kapott jel összetett, helyes értelmezése több évnyi tanulást és tapasztalatot igényel a szakértők részéről. Manapság azonban a gépi tanulás tudományának fejlődésével a tanulóalgoritmusok fokozatosan felváltják a bonyolult, időt és szakértelmet igénylő vizuális kiértékelést. Az automatikus kiértékelés (osztályozás) használata során számos megoldandó probléma, illetve kérdés merül fel, ilyen például az alkalmazandó adat-előfeldolgozás, jellemző kinyerés, a gépi tanulási módszer és annak paramétereinek meghatározása. Kutatásomban egyrészt arra kerestem a választ, hogy elérhető-e a korábbiaknál jobb osztályozási eredmény egy megfelelő gépi tanulási algoritmus és jellemzőkinyerési módszer megválasztásával egy nyilvánosan elérhető, elképzelt és valódi mozgások végzése során rögzített EEG felvételeket tartalmazó adatbázison, másrészt, hogy saját mérési adataimon mennyire hatékonyan tudok osztályozást végezni. Harmadrészt pedig megvizsgáltam a neurális hálózatok felismerési sebességének hardveres gyorsítási lehetőségeit FPGA (field-programmable gate array) felhasználásával. One method of analysing the electrical phenomena that accompany brain activity is electroencephalography (EEG), which can be used to study the physiology of mental functioning by recording the electrical activity of nerve cells. The resulting signal is complex and its correct interpretation requires years of study and experience on the part of experts. However, nowadays, with the advances in machine learning science, learning algorithms are gradually replacing visual evaluation, which requires time and expertise. The use of automatic evaluation (classification) raises a number of problems and issues to be solved, such as the data preprocessing to be applied, feature extraction, the machine learning method and its parameters. In my research, I wanted to find out if better classification results can be achieved by choosing an appropriate machine learning algorithm and feature extraction method on a publicly available database of imagery and real motor movement EEG recordings, and how efficiently I can perform classification on my own measurement data. Third, I investigated the hardware acceleration possibilities of neural network inference speed using a field-programmable gate array (FPGA).
- TételSzabadon hozzáférhetőVégeselemes rendszerhez kapcsolt optimalizáló eljárás fejlesztése gumiütköző tervezéshezKutatási munkám során a mérnöki életben előforduló tervezési feladatok megoldására alkalmas optimalizáló eljárás kidolgozásával foglalkoztam, melyhez egy gumiütköző numerikus szimuláción alapuló alakoptimalizálási feladatát választottam. Célként tűztem ki olyan zárt eljárás kidolgozását, mely emberi beavatkozás nélkül képes a szimuláción alapuló optimalizálási feladatokat a célfüggvény tulajdonságaitól függetlenül megoldani. Az eljárást a tervezési folyamatba integrált mesterséges intelligencia (szimulált hűtés, regressziós tartóvektor gép) eszközeivel valósítottam meg. A gumitermékek tervezése során a nemlineáris viselkedések (anyagi, nagy alakváltozás, kapcsolatok) miatt különös figyelmet kell fordítani a numerikus diszkretizáció folyamatára. Ezért megvizsgáltam a nyomó igénybevétel alatti anyagi viselkedés leírására alkalmas hiperelasztikus anyagmodelleket. Bemutattam a gumiütköző végeselemes vizsgálatához szükséges modellezési megfontolásokat, majd ismertettem a szimulációból adódó hibákat. Végül egy olyan kereső eljárás került kidolgozásra, mely az optimális kialakítást pontosan és költséghatékonyan képes meghatározni a gumiütköző alakoptimalizálási feladatára.