Formål
Målet var å utforske hvordan maskinlæring kan brukes til å forbedre filtrering av stokastisk støy i både én-dimensjonale signaler og bildebaserte signaler. Prosjektet undersøkte hvordan AI kan bidra til smartere parameterutvalg enn tradisjonelle filtre.
Løsning
Syntetiske signaler med kontrollert støy ble generert i Python. Ulike filtreringsstrategier og ML-baserte tilnærminger ble testet for å forbedre signalrenhet og redusere visuell støy. Arbeidet ble også utvidet mot todimensjonale bildebaserte data.
Resultat
Prosjektet ga en tydelig visuell forbedring i signal- og bildestøy under testforhold. Jeg ville likevel presentert dette som et utforskende prosjekt, ikke som et ferdig produksjonssystem, siden det ikke hadde like sterke numeriske evalueringsmetrikker som de mer sentrale AI-prosjektene.