Název: | Klasické a impulzní neuronové sítě |
Další názvy: | Traditional and spiking neural networks |
Autoři: | Matějka, Jakub |
Vedoucí práce/školitel: | Mouček Roman, Doc. Ing. Ph.D. |
Oponent: | Vařeka Lukáš, Ing. Ph.D. |
Datum vydání: | 2022 |
Nakladatel: | Západočeská univerzita v Plzni |
Typ dokumentu: | bakalářská práce |
URI: | http://hdl.handle.net/11025/49353 |
Klíčová slova: | tradiční neuronové sítě;impulzní neuronové sítě;neuromorfní hardware;erp klasifikace |
Klíčová slova v dalším jazyce: | artificial neural networks;spiking neural networks;neuromorphic hardware;erp classification |
Abstrakt: | Impulzní neuronové sítě jsou slibným nástupcem široce používaných tradičních neuronových sítí. Impulzní sítě se drží biologické předloze co nejvěrohodněji. Avšak, takové chování je časově i energeticky náročné na Von-Neumannově architektuře. Proto je vyvíjena zcela nová architektura zvaná neuromorfní a také nástroje pro její simulování na standardních procesorech. Tato práce se soustředí na porovnání výkonu obou typů sítí při klasifikování elektroencefalografických dat. Jsou použity dva modely od každého typu sítí a data jsou předzpracovány dvěma odlišnými způsoby. Jsou prezentovány nejlepší dostupné aktivační funkce, impulzní neurony a knihovny pro simulaci. Dosažené výsledky klasifikací a neuronové modely jsou rozebrány. |
Abstrakt v dalším jazyce: | Spiking Neural Networks (SNN) are a promising successor to the widely used Artificial Neural Networks (ANN). SNNs aim to be as bio-plausible as possible. However, such behavior is time and energy consuming on the Von-Neumann architecture. Therefore, an entirely new architecture called neuromorphic is being developed and tools to simulate it on standard processors as well. This thesis focuses on comparing the performance of both types of networks in classifying event-related potentials dataset. Two models from each type of network are used and the data are preprocessed in two different ways. The state-of-the-art activation functions, spiking neurons and libraries for simulation are presented. The achieved classification results and the neural models are discussed. |
Práva: | Plný text práce je přístupný bez omezení |
Vyskytuje se v kolekcích: | Bakalářské práce / Bachelor´s works (KIV) |
Soubory připojené k záznamu:
Soubor | Popis | Velikost | Formát | |
---|---|---|---|---|
A17B0285P_BP_p300-snn-classification.pdf | Plný text práce | 406,54 kB | Adobe PDF | Zobrazit/otevřít |
A17B0285P_Posudek.pdf | Posudek oponenta práce | 106,57 kB | Adobe PDF | Zobrazit/otevřít |
A17B0285P_Hodnoceni.pdf | Posudek vedoucího práce | 414,12 kB | Adobe PDF | Zobrazit/otevřít |
A17B0285P_obhajoba.pdf | Průběh obhajoby práce | 65,45 kB | Adobe PDF | Zobrazit/otevřít |
A17B0285P_zadaniBP.pdf | VŠKP - příloha | 17,45 kB | Adobe PDF | Zobrazit/otevřít |
p300-snn-classification.zip | VŠKP - příloha | 46,45 kB | ZIP | Zobrazit/otevřít |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/49353
Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.