Vezető
- Oniga István, PhD
Tagok
- Sütő József, PhD
- Buchman Attila, PhD
- Majoros Tamás, PhD hallgató
- Xie Yu, PhD hallgató
- Koroknai Tibor, MSc hallgató
A kutatócsoport kutatási irányai részben elméleti (alap-) kutatásokat, részben alkalmazott kutatásokat tartalmaznak. Az alapkutatási témák meghatározó témakörei a tanuló rendszerek, gépi tanulás, míg az alkalmazott kutatások a neurális hálók, ambiens intelligens rendszerek fejlesztése köré csoportosulnak.
Neurális hálózatok implementációja programozható logikai áramkörökkel
A kutatás célja az újrakonfigurálható eszközök alkalmazhatóságának vizsgálata a mesterséges neurális hálózatok hardveres implementációjára. Az első megközelítésben az implementáció hibrid szoftver/hardver típusú lesz, pontosabban a tanulás off-chip, számítógép segítségével történik. Ehhez a Matlab/Simulink környezetet és a Neural Network toolbox-ot használjuk. Az így meghatározott súlytok automatikusan betöltésre kerülnek a neuron hardver modelljének súlyokat tároló memóriájába. A már betanított neuron hálózat hardverben lesz implementálva. A következő fázisban a tanulást is megkíséreljük hardver eszközökben implementálni. Három lehetséges megvalósítási módszer közül fogunk választani: hardverleíró nyelven (HDL), System Generator segítségével vagy magas szintű szintetizáló eszközök (HLS) alkalmazásával.
Emberi tevékenység felismerése
Szenzorok felhasználásával megpróbáljuk felismerni, hogy egy megfigyelt személy milyen hétköznapi cselekvéseket végez. Ilyen cselekvés lehet például: a sétálás, kocogás, futás, biciklizés, stb. Ezeknek a cselekvéseknek a felismerését általában gépi tanuló algoritmusok segítségével végzik. A szakirodalomra és saját tapasztalatainkra támaszkodva a mesterséges neurális hálózatokat alkalmazzuk. Szenzorok adataiból az adathalmazt jellemző paramétereket (features) számítunk ki. Ezek a paraméterek lesznek a tanuló algoritmus bemenő adatai, aminek alapján fel tudja ismerni az aktuálisan végzett cselekvést. Az alapkoncepción túlmenően számos kérdés még megválaszolatlan. Egy ilyen például, hogy melyek azok a paraméterek, amelyek a legnagyobb felismerési arányt biztosítják. Ennek a kérdésnek a megválaszolása és az indoklás alátámasztása lenne a fő célkitűzésünk. Ez a kérdéskör a gépi tanuláson belül a paraméter kiválasztás (feature selection) témakörébe tartozik. A következő feladata a már létező paraméter-értékelő algoritmusok osztályozása, az általunk vizsgált probléma alapján. Az osztályozás alapja a neurális hálózat felismerési aránya lesz, aminek a bemenő adatai a paraméter-értékelő algoritmusok által kiválasztott paraméterek.
Infokommunikációs eszközök készítése, életvitel segítésére
Ezen a témán belül a megvalósítandó berendezés, egy intelligens ház részeként, egy mágneskártya olvasóval felszerelt automatizált konnektor vezérlő. A konnektorok áramellátását egy x10-es modul vezéreli, ami az FPGA kártya irányít. A FPGA kártyán egy beágyazott Microblaze szoft processzor végzi a rendszer vezérlését. A személyre szabott profil beállításához egy RFID kártyaolvasó szolgáltatja a szükséges adatokat. Mágneskártya felismerése és az alapján az előre beállított profilnak megfelelően az x10-es modulok be illetve ki kapcsolásával a felhasználó hozzáférése bizonyos eszközökhöz engedélyezet illetve tiltott.