V posledních letech jsou superpočítače stále větší a složitější, s čímž souvisí problém využití plného potenciálu systému. Tento problém se umocňuje díky nedostatku nástrojů pro monitorování, které jsou specificky přizpůsobeny uživatelům těchto systémů. Cílem práce je vytvořit nástroj, nazvaný Examon Web, pro analýzu a vizualizaci provozních dat superpočítače a provést nad těmito daty hloubkovou analýzu pomocí neurálních sítí. Ty určí, zda daná úloha běžela korektně, či vykazovala známky podezřelého a nežádoucího chování jako je nezarovnaný přístup do operační paměti nebo např. nízké využití alokovaých zdrojů. O těchto  faktech je uživatel informován pomocí GUI. Examon Web je postavený na frameworku Examon, který sbírá a procesuje metrická data ze superpočítače a následně je ukládá do databáze KairosDB. Implementace zahrnuje disciplíny od návrhu a implementace GUI, přes datovou analýzu, těžení dat a neurální sítě až po implementaci rozhraní na serverové straně. Examon Web je zaměřen zejména na uživatele, ale může být také využíván administrátory. GUI je vytvořeno ve frameworku Angular s knihovnami Dygraphs a Bootstrap. Uživatel díky tomu může analyzovat časové řady různých metrik své úlohy a stejně jako administrátor se může informovat o současném stavu superpočítače. Tento stav je zobrazen jako několik globálně agregovaných metrik v posledních 30 minutách nebo jako 3D model (či 2D model) superpočítače, který získává data ze samotných uzlů pomocí protokolu MQTT. Pro kontinuální získávání dat bylo využito rozhraní WebSocket s vlastním mechanismem přihlašování a odhlašování konkretních metrik zobrazovaných v modelu. Při analýze spuštěné úlohy má uživatel dostupné tři různé pohledy na danou úlohu. První nabízí celkový přehled o úloze a informuje o využitých zdrojích, času běhu a vytížení části superpočítače, kterou úloha využila společně s informací z neurálních sítí o podezřelosti úlohy. Další dva pohledy zobrazují metriky z výkonnostiního energetického hlediska. Pro naučení neurálních sítí bylo potřeba vytvořit novou datovou sadu ze superpočítače Galileo. Tato sada obsahuje přes 1100 úloh monitorovaných na tomto superpočítači z čehož 500 úloh bylo ručně anotováno a následně použito pro trénování sítí. Neurální sítě využívají model back-propagation, vhodný pro anotování časových sérií fixní délky. Celkem bylo vytvořeno 12 sítí pro metriky zahrnující vytížení procesoru, paměti a dalších části a např. také podíl celkového času procesoru v úsporném režimu C6. Tyto sítě jsou na sobě nezávislé a po experimentech jejich finální konfigurace 80-20-4-3-1 (80 vstupních až 1 výstupní neuron) podávaly nejlepší výsledky. Poslední síť (v konfiguraci 12-4-3-1) anotovala výsledky předešlých sítí. Celková úspěšnost  systému klasifikace do 2 tříd je 84 %, což je na použitý model velmi dobré. Výstupem této práce jsou dva produkty. Prvním je uživatelské rozhraní a jeho serverová část Examon Web, která jakožto rozšiřující vrstva systému Examon pomůže s rozšířením daného systému mezi další uživatele či přímo další superpočítačová centra. Druhým výstupem je částečně anotovaná datová sada, která může pomoci dalším lidem v jejich výzkumu a je výsledkem spolupráce VUT, UNIBO a CINECA. Oba výstupy budou zveřejněny s otevřenými zdrojovými kódy. Examon Web byl prezentován na konferenci 1st Users' Conference v Ostravě pořádanou IT4Innovations. Další rozšíření práce může být anotace datové sady a také rozšíření Examon Web o rozhodovací stromy, které určí přesný důvod špatného chování dané úlohy.

This thesis discusses the design and the utilization of the artificial neural networks as ECG classifiers and the detectors of heart diseases in ECG signal especially myocardial ischaemia. The changes of ST-T complexes are the important indicator of ischaemia in ECG signal. Different types of ischaemia are expressed particularly by depression or elevation of ST segments and changes of T wave. The first part of this thesis is orientated towards the theoretical knowledges and describes changes in the ECG signal rising close to different types of ischaemia. The second part deals with to the ECG signal pre-processing for the classification by neural network, filtration, QRS detection, ST-T detection, principal component analysis. In the last part there is described design of detector of myocardial ischaemia based on artificial neural networks with utilisation of two types of neural networks back – propagation and self-organizing map and the results of used algorithms. The appendix contains detailed description of each neural networks, description of the programme for classification of ECG signals by ANN and description of functions of programme. The programme was developed in Matlab R2007b.

The diploma thesis is focused on an adaptive control, especially in a self-tuning controller area. The thesis is divided into two main parts. The first part deals with identification methods of the adaptive control. The recursive least squares algorithm and the neural network method are the most popular identification methods. These methods are contrasted and the identification quality evaluation is done. The second part compares various types of the adaptive controllers with a non-adjustable PSD controller. The adaptive controllers are investigated from the various identification method point of view. The user graphic interface was realized for the identification and regulatory part. The time behavior of system responses after incoming disturbance and dynamic process changes during simulation systems control is compared with a physical model connected to B&R PLC. The comparison is done with the application of Matlab/Simulink program.

This thesis deals with wavelet analysis of sleep electroencephalogram to sleep stages scoring. The theoretical part of the thesis deals with the theory of EEG signal creation and analysis. The polysomnography (PSG) is also described. This is the method for simultaneous measuring the different electrical signals; main of them are electroencephalogram (EEG), electromyogram (EMG) and electrooculogram (EOG). This method is used to diagnose sleep failure. Therefore sleep, sleep stages and sleep disorders are also described in the present study. In practical part, some results of application of discrete wavelet transform (DWT) for decomposing the sleep EEGs using mother wavelet Daubechies 2 „db2“ are shown and the level of the seven. The classification of the resulting data was used feedforward neural network with backpropagation errors.

Diploma thesis deals with analyzing the possibility of using artificial intelligence, specifically artificial neural networks and fuzzy logic, on the capital markets as a tool to support decision making in business. The Matlab software is used for this purpose. The work is divided into three parts. The first part deals with theoretical knowledge, brief description of the current situationin is covered in a second part and the theoretical solutions are applied to the system in the third section.

Master’s thesis deals with problems of predictive control especially Model (Based) Predictive Control (MBPC or MPC). Identifications methods are compared in the first part. Recursive least mean squares algorithm is compared with identification methods based on neural networks. Next parts deal with predictive control. There is described creation MPC with summing element and adaptive MPC. There is also compared fixed setting PSD controller with MPC. Responses on disturbance and changes of parameters of controlled plant are compared. Comparing is made on simulation models in MATLAB/Simulink and on physical model connected to PLC B&R.

Text in Afrikaans / Die doel van hierdie studie was om te bepaal tot watter mate ’n suiwer patroongebaseerde benadering tot woordafbreking bevredigende resultate lewer. Die masjienleertegnieke kunsmatige neurale netwerke, beslissingsbome en die TEX-algoritme is ondersoek aangesien dit met letterpatrone uit woordelyste afgerig kan word om lettergreep- en saamgesteldewoordverdeling te doen. ’n Leksikon van Afrikaanse woorde is uit ’n korpus van elektroniese teks genereer. Om lyste vir lettergreep- en saamgesteldewoordverdeling te kry, is woorde in die leksikon in lettergrepe verdeel en saamgestelde woorde is in hul samestellende dele verdeel. Uit elkeen van hierdie lyste van ±183 000 woorde is ±10 000 woorde as toetsdata gereserveer terwyl die res as afrigtingsdata gebruik is. ’n Rekursiewe algoritme is vir saamgesteldewoordverdeling ontwikkel. In hierdie algoritme word alle ooreenstemmende woorde uit ’n verwysingslys (die leksikon) onttrek deur stringpassing van die begin en einde van woorde af. Verdelingspunte word dan op grond van woordlengte uit die samestelling van begin- en eindwoorde bepaal. Die algoritme is uitgebrei deur die tekortkominge van hierdie basiese prosedure aan te spreek. Neurale netwerke en beslissingsbome is afgerig en variasies van beide tegnieke is ondersoek om die optimale modelle te kry. Patrone vir die TEX-algoritme is met die OPatGen-program gegenereer. Tydens toetsing het die TEX-algoritme die beste op beide lettergreep- en saamgesteldewoordverdeling presteer met 99,56% en 99,12% akkuraatheid, respektiewelik. Dit kan dus vir woordafbreking gebruik word met min risiko vir afbrekingsfoute in gedrukte teks. Die neurale netwerk met 98,82% en 98,42% akkuraatheid op lettergreep- en saamgesteldewoordverdeling, respektiewelik, is ook bruikbaar vir lettergreepverdeling, maar dis meer riskant. Ons het bevind dat beslissingsbome te riskant is om vir lettergreepverdeling en veral vir woordverdeling te gebruik, met 97,91% en 90,71% akkuraatheid, respektiewelik. ’n Gekombineerde algoritme is ontwerp waarin saamgesteldewoordverdeling eers met die TEXalgoritme gedoen word, waarna die resultate van lettergreepverdeling deur beide die TEXalgoritme en die neurale netwerk gekombineer word. Die algoritme het 1,3% minder foute as die TEX-algoritme gemaak. ’n Toets op gepubliseerde Afrikaanse teks het getoon dat die risiko vir woordafbrekingsfoute in teks met gemiddeld tien woorde per re¨el ±0,02% is. / The aim of this study was to determine the level of success achievable with a purely pattern based approach to hyphenation in Afrikaans. The machine learning techniques artificial neural networks, decision trees and the TEX algorithm were investigated since they can be trained with patterns of letters from word lists for syllabification and decompounding. A lexicon of Afrikaans words was extracted from a corpus of electronic text. To obtain lists for syllabification and decompounding, words in the lexicon were respectively syllabified and compound words were decomposed. From each list of ±183 000 words, ±10 000 words were reserved as testing data and the rest was used as training data. A recursive algorithm for decompounding was developed. In this algorithm all words corresponding with a reference list (the lexicon) are extracted by string fitting from beginning and end of words. Splitting points are then determined based on the length of reassembled words. The algorithm was expanded by addressing shortcomings of this basic procedure. Artificial neural networks and decision trees were trained and variations of both were examined to find optimal syllabification and decompounding models. Patterns for the TEX algorithm were generated by using the program OPatGen. Testing showed that the TEX algorithm performed best on both syllabification and decompounding tasks with 99,56% and 99,12% accuracy, respectively. It can therefore be used for hyphenation in Afrikaans with little risk of hyphenation errors in printed text. The performance of the artificial neural network was lower, but still acceptable, with 98,82% and 98,42% accuracy for syllabification and decompounding, respectively. The decision tree with accuracy of 97,91% on syllabification and 90,71% on decompounding was found to be too risky to use for either of the tasks A combined algorithm was developed where words are first decompounded by using the TEX algorithm before syllabifying them with both the TEX algoritm and the neural network and combining the results. This algoritm reduced the number of errors made by the TEX algorithm by 1,3% but missed more hyphens. Testing the algorithm on Afrikaans publications showed the risk for hyphenation errors to be ±0,02% for text assumed to have an average of ten words per line. / Decision Sciences / D. Phil. (Operational Research)

迴歸分析與類神經網路此兩種方法皆是預測領域上的主要工具。本論文嘗試在線性迴歸模式及非線性迴歸模式的條件下，隨機產生不同特性的資料以完整探討資料特性對迴歸分析與類神經網路之預測效果的影響。這些特性包括常態分配、偏態分配、不等變異、Michaelis-Menten關係模式及指數迴歸模式。 再者，我們使用區域搜尋法(local search methods)中的演化策略法(evolution strategies，ES)作為類神經網路的學習(learning)方法以提高其預測功能。我們稱這種類型的類神經網路為ESNN。 模擬結果顯示，ESNN確實可以取代常用來與迴歸分析做比較的倒傳遞類神經網路(back-propagation neural network，BPNN)，成為類神經網路的新選擇。針對不同特性的資料，我們建議：如果原始的資料適合以常態線性迴歸模式配適，則使用者可考慮使用迴歸方法做預測。如果原始的資料經由圖形分析或由檢定方法得知違反誤差項為均等變異之假設時，若能找到合適的權數，可使用加權最小平方法，但若權數難以決定時，則使用ESNN做預測。如果資料呈現韋伯偏態分佈時，可考慮使用ESNN或韋伯迴歸方法。資料適合以非線性迴歸模式做配適時，則選擇以ESNN做預測。 關鍵詞：迴歸分析，類神經網路，區域搜尋法，演化策略法類神經網路，倒傳遞類神經網路 / Both regression analysis and artificial neural networks are the main techniques for prediction. In this research, we tried to randomly generate different types of data, so as to completely explore the effect of data characteristics on the predictive performance of regression analysis and artificial neural networks. The data characteristics include normal distribution, skew distribution, unequal variances, Michaelis-Menten relationship model and exponential regression model. In addition, we used the evolution strategies, which is one of the local search methods for training artificial neural networks, to further improve its predictive performance. We name this type of artificial neural networks ESNN. Simulation studies indicate that ESNN could indeed replace BPNN to be the new choice of artificial neural networks. For different types of data, we commend that users can use regression analysis for their prediction if the original data is fit for linear regression model. When the residuals of the data are unequal variances, users can use weighted least squares if the optimal weights could be found. Otherwise, users can use ESNN. If the data is fit for weibull distribution, users can use ESNN or weibull regression. If the data is fit for nonlinear regression model, users can choose ESNN for the prediction. Keywords: Regression Analysis, Artificial Neural Networks, Local Search Methods, Evolution Strategies Neural Network (ESNN), Back-propagation Neural Network (BPNN)

本研究的主要目的是檢視倒傳導神經網路是否具有人類在分類學習上所呈現出來的學習效應 — 競爭學習、遮蔽效應與不相關線索的影響。在實驗中，我們採用兩種倒傳導神經網路，來測試激發函數是否會影響倒傳導神經網路的學習。此兩種倒傳導神經網路分別採用sigmoid激發函數與hyperbolic-tangent激發函數。實驗結果顯示，以sigmoid為激發函數與以hyperbolic-tangent為激發函數的倒傳導神經網路都具有這三個學習效應。還有，以sigmoid為激發函數的倒傳導神經網路所呈現出來的學習效應比以hyperbolic-tangent為激發函數的倒傳導神經網路來得顯著。本研究的次要目的在於瞭解有效性（使用性）與敏感度分析的數值是否有對應關係。實驗結果顯示，線索A與線索B的敏感度分析數值差異可以反映出線索A與線索B的有效性差異。然而，敏感度分析數值卻無法準確地顯示線索的有效性數值。 / The main objective of this research is to examine whether back propagation neural networks (BP) have the learning effects found in human category learning — competitive learning, overshadowing and the deleterious of an irrelevant cue. Two kinds of BP, BP with sigmoid activation function and BP with hyperbolic-tangent activation function, are investigated to see if the activation function will make BP behave differently. According to the results of our experiments, these three learning effects are demonstrated both in BP with sigmoid and BP with hyperbolic-tangent, but they seems more significant in BP with sigmoid than in BP with hyperbolic-tangent. The second objective of our research is to see if there is a correspondence between the validity (the utilization) and the value of sensitivity analysis, R. From the results of our experiments, we observe that the difference between values of sensitivity analysis with respect to Cue A and Cue B reflects the difference of the validities between Cue A and Cue B. However, the value of sensitivity analysis does not show exactly what validity a cue is.

此篇論文，主要是討論遞迴式神經網路。在文中，我們將架構一個單層的神經網路結構。並利用三種不同的學習法則來套用此架構。我們也做了圓軌跡和圖形８的模擬，以及討論了此架構的收斂性。 / Our task in this paper is to discuss the Recurrent Neural Network. We construct a singal layer neural network and apply three different learning rules to simulate circular trajectory and figure eight. Also, we present the proof of convergence.