| Form of studies |
Professional Master |
| Title of the study programm |
Transport Electronics and Telematics |
| Title in original language |
Konvolūcijas un rekurento neironu tīklu modeļu izpēte straumēšanas video trafika kvalitātes noteikšanā |
| Title in English |
Research on Convolutional and Recurrent Neural Network models for quality evaluation of streaming video traffic |
| Department |
Telemātikas un transporta elektronisko sistēmu katedra |
| Scientific advisor |
Elans Grabs |
| Reviewer |
N. Bogdanovs |
| Abstract |
Dziļās mācīšanās konvolūcijas neironu tīkls ir mākslīgā neironu tīklu klase, kas paredzēta strukturētu datu masīvu, piemēram, attēlu apstrādei. Viena no to noteicošajām iezīmēm ir filtru izmantošana konvolūcijas procesa slāņos. Rekurentais neironu tīkls ir mākslīgā neironu tīklu klase, ko parasti izmanto runas atpazīšanā un valodas apstrādē. Galvenā to ideja ir izmantot secīgu/loģisku informāciju, lai veiktu prognozēšanu, atšķirībā no citiem neironu tīklu modeļiem, kuros visas ievades un izvades vērtības ir neatkarīgas viena no otras. Kopīgais šiem abiem neironu tīkliem ir tas, ka tie izmanto iepriekš iegūtus apmācību datus, lai mācītos.
Darbs aptver informāciju par konvolūcijas un rekurento neironu tīklu arhitektūru, pielietojumiem, kā arī to atšķirībām. Paralēli teorētiskajiem pētījumiem, maģistra darbā tiek veikta konvolūcijas un rekurento neironu tīklu modeļu praktiskā realizācija, kas sastāv no trīs posmiem, ar kuru palīdzību tika izpētīts video trafiks reāllaika straumēšanas platformām, mainot atskaņošanas kvalitātes režīmu.
Iegūtie rezultāti parādīja, ka veiktspējas ziņā visātrāk apmācāmi ir konvolūcijas neironu tīkli, rekurentie neironu tīkli apmācās jau nedaudz lēnāk, un visvairāk laika prasa LSTM un GRU neironu tīkli. Veidojot konvolūcijas neironu tīklu modeļus, būtu nepieciešams izvēlēties lielāku filtru skaitu. Tika apstiprināts, ka rekurentie neironu tīkli patiešām cieš no gradienta izzušanas un eksplodēšanas problēmas. LSTM modeļu, kas novērš šo problēmu, darbība kopumā bija stabilāka un labāka. Izveidoto GRU modeli noteikti būtu nepieciešams uzlabot, jo tas nesniedza labus rezultātus.
Darba kopējais apjoms ir 93 lpp. teksts, 52 attēli, 4 tabulas, 2 pielikumi un 24 literatūras avoti. |
| Keywords |
Neironu tīkls, konvolūcijas neironu tīkls, rekurentais neironu tīkls, tīkla trafiks, dziļā mācīšanās |
| Keywords in English |
Neural network, convolutional neural networks, recurrent neural network, network traffic, deep learning |
| Language |
lv |
| Year |
2022 |
| Date and time of uploading |
19.01.2022 12:08:56 |
