Gráf beágyazó algoritmusok hatékonyságvizsgálata okos város fejlődésének előmozdításához
dc.contributor.advisor | Tiba, Attila | |
dc.contributor.author | Girászi, Tamás | |
dc.contributor.author | Takács, Tamás | |
dc.contributor.department | DE--Informatikai Kar | hu_HU |
dc.date.accessioned | 2021-11-05T12:39:44Z | |
dc.date.available | 2021-11-05T12:39:44Z | |
dc.date.created | 2021-04-22 | |
dc.description.abstract | Napjainkban a mélytanuláson alapuló mesterséges intelligenciát felhasználó megoldásoknak számos alkalmazási módja van. Napról-napra épül be olyan intézményekbe, mint az orvosi kutatóintézetek, különböző üzletek és rendőrkapitányságok, jelentősen növelve a lakosok életszínvonalát. Beépítésük egy korszerű, 21. századi innovatív információtechnológiákat alkalmazó, fenntarthatóan fejlődő várost eredményez, amelyet az idevonatkozó szakmai terminológia okos városnak (Smart city) nevez. Megkérdőjelezhetetlen fontossággal bírnak a gépi tanulásban a neurális hálózatok. Segítségükkel az adatokban rejlő összefüggéseket lehet felismerni. Gyakran előfordul, hogy molekulákban vagy valamilyen egyéb gráf struktúrával rendelkező adatban kell mintákat felismerni. Egy okos városban ezek több területen felhasználhatóak. A kutatásunk során megvizsgáltunk gráfként tárolt ujjlenyomat adatbázisokat, teszteltünk hivatkozásokat tartalmazó adathalmazt, emellett számba vettünk vegy- és gyógyszeripari alkalmazási lehetőségeket is. A gráfok nem-euklideszi természetéből és strukturális jellegéből adódóan nem használhatóak fel direkt módon neurális hálózatok bemeneteiként, ehhez először be kell ágyaznunk őket egy n-dimenziós vektortérbe. A dolgozat során hat gráf beágyazó algoritmust vizsgáltunk meg, nyolc különböző adatbázison. Összegyűjtöttük a leírásukat, implementáltuk őket, és megállapítottuk, hogy melyik algoritmus milyen belső adatstruktúra esetében lehet megfelelő, illetve a hatékonyságukat minek köszönhetik. Kialakítottunk egy saját megközelítésű egységes gráf alapú konvolúciós neurális hálózatot, amivel a vizsgált adatbázisok esetén átlagosan akár 7%-os pontosság növekedést is el tudtunk érni a szakirodalomban jelenleg elérhető architektúrákhoz képest. Emellett összehasonlítottuk ezeket a módszereket új, jel és Fourier-transzformáción alapuló megközelítésekkel a hozzájuk tervezett eredeti architektúrával együtt. | hu_HU |
dc.description.course | mérnökinformatikus | hu_HU |
dc.description.degree | BSc/BA | hu_HU |
dc.format.extent | 75 | hu_HU |
dc.identifier.uri | http://hdl.handle.net/2437/324089 | |
dc.language.iso | hu | hu_HU |
dc.subject | gráf | hu_HU |
dc.subject | beágyazás | hu_HU |
dc.subject | neurális hálózat | hu_HU |
dc.subject.dspace | DEENK Témalista::Informatika::Komputergrafika | hu_HU |
dc.title | Gráf beágyazó algoritmusok hatékonyságvizsgálata okos város fejlődésének előmozdításához | hu_HU |