Cílem předložené diplomové práce byl návrh, implementace a následné porovnání metod umělé inteligence pro ladění parametrů fuzzy klasifikátoru. Jedná se o komplexní n-dimenzionální problém, který kombinuje teoretické znalosti fuzzy logiky s praktickou softwarovou realizací v prostředí MATLAB.

V rámci přípravy řešení byla pozornost věnována předzpracování dat, které se ukázalo jako kritické pro úspěšnost algoritmů. Autor testoval vliv normalizace a analýzy hlavních komponent (PCA). Výsledky prokázaly, že zatímco normalizace zajišťuje nejvyšší přesnost, použití PCA dokáže zredukovat čas výpočtu až o 90 % při minimální ztrátě přesnosti v řádu jednotek procent. Tento poznatek je cenný pro nasazení v reálných systémech s velkým objemem dat.

Jádrem práce je implementace a srovnání genetického algoritmu (GA) a optimalizace rojem částic (PSO). Autor detailně popisuje proces tvorby fitness funkce, která prošla několika fázemi vývoje, od jednoduché kvadratické chyby až po pokročilé vyhodnocení pomocí F1 skóre a penalizace zanedbávaných tříd. Experimentální část na datasetech Iris, Wine, Dry Bean a Vibro ukázala, že GA dosahuje vyšší přesnosti a stability, zatímco PSO je sice méně náročné na nastavení, ale náchylnější k uvíznutí v lokálních minimech.

Nad rámec zadání byla v prostředí MATLAB App Designer vytvořena funkční softwarová aplikace. Ta umožňuje uživateli pohodlně konfigurovat parametry optimalizace, volit datasety a v reálném čase vizualizovat průběh výpočtu včetně matic záměn. Aplikace je plně zdokumentována a vybavena logikou pro indikaci stavu výpočtu a ošetření chybových stavů.

Navzdory vysoké náročnosti na správné nastavení vnitřních parametrů genetického algoritmu práce splnila všechny stanovené cíle a vytvořila robustní platformu vhodnou pro technickou praxi i další výzkum. Výsledné řešení umožňuje automatizovat ladění fuzzy systémů, což by bylo při manuálním postupu u komplexních dat neproveditelné. Práce představuje hodnotný přínos v oblasti technické diagnostiky (identifikace poruch strojů) a otevírá prostor pro další rozvoj.

Cíle práce byly splněny a zadané téma lze považovat za splněné v požadovaném rozsahu.

Práce se věnuje návrhu a porovnání metod umělé inteligence určených pro optimalizaci parametrů fuzzy klasifikátoru. Teoretická část popisuje možnosti předzpracování a analýzy vstupních dat a následuje popis samotné Fuzzy logiky a její problematiky, poté je vysvětlena shluková analýza a na závěr optimalizační metody využívané v podobném typu úloh.

Praktická část spočívá v aplikaci a ověření metod optimalizace u čtyř nezávislých datasetů a porovnání různých kombinací předzpracování dat. Součástí práce je i vytvořený grafické rozhraní pro vyzkoušení různých metod.

Co se týká samotné aplikace, tak ta je zpracovaná na vysoké úrovni, včetně testování různých metod jako redukce vstupních parametrů, ale o to méně je věnována pozornost vstupním datům, nebo parametrům optimalizace. U datasetu vibro není vůbec popsáno jak byly vstupní parametry získány a navíc dle nejasného popisu to vypadá na nevhodnou volbu parametrů. Dále by bylo vhodné graficky ukázat průběhy funkcí příslušnosti před a po optimalizaci.

Text práce je v ohledu optimalizace parametrů popsán mírně nepřehledně. Topics for thesis defence:

1. Popište jak jste vypočítal parametry pro dataset vibro, tzn jake funkce jste použil a v případě výpočtu AMP uveďte, jaké jste použil parametry FFT. V případě varianty vyhodnocované jen z jednoho snímače, není jasné jaký fázový posun jste vyhodnocoval a z kontextu to vypadá na fázový posun mezi osou X a Y, což je nevhodný parametr, který nějak s nevývahou nesouvisí.
2. V případě vibro datasetu a wine datasetu proveďte vizualizaci průběhu parametrů v závislosti na třídě. Tzn. Na ose X budou jednotlivá pozorování setříděné dle tříd (třídy graficky oddělené) a na ose Y bude hodnota parametru. Tato vizualizace slouží k porovnání, zda jednotlivé parametry mají různé hodnoty pro různé třídy či nikoliv.