Εμφάνιση απλής εγγραφής

Πυροδοτούμενα νευρωνικά δίκτυα και εφαρμογές τους

dc.contributor.advisorBogris, Adonis
dc.contributor.authorΓιαννακόπουλος, Βασίλειος
dc.date.accessioned2022-01-11T07:41:37Z
dc.date.available2022-01-11T07:41:37Z
dc.date.issued2021-12-21
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/1647
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-1498
dc.description.abstractΠρόσφατα επιστημονικά δεδομένα από την επιστήμη της νευρολογίας μας έχουν δείξει ότι οι νευρώνες κωδικοποιούν πληροφορία μέσω του χρονισμού των ηλεκτρικών πυροδοτήσεων που προκαλούνται και όχι από την συχνότητα που πυροδοτούνται. Έτσι μας δίνεται η αφορμή για την διερεύνηση αυτής της προσέγγισης όσο αφορά τα νευρωνικά δίκτυα στο κομμάτι της πληροφορικής. Αρχικά γίνεται μια εισαγωγή όσο αναφορά την μηχανική μάθηση, τους τρόπους εκπαίδευσης και τα προβλήματα που επιλύουν. Στην συνέχεια γίνεται μια προσέγγιση στα νευρωμορφική υπολογιστική, ως παρακλάδι της μηχανικής μάθησης με αναφορές στις υλοποιήσεις από πλευράς hardware(memristors, photonics) , με τελικό προορισμό τα spiking neural networks(Πυροδοτούμενα νευρωνικά δίκτυα) στα οποία θα αναφερθούν μοντέλα αυτών, μέθοδοι training(εκπαίδευσης) καθώς και μερικά χαρακτηριστικά που πρέπει να τα διέπουν (plasticity).Τέλος γίνεται αναφορά σε εφαρμογές αυτών στην καθημερινότητα(αναγνώριση εικόνας, ρομποτική) και σε μελλοντικά βήματα όσο αναφορά την περαιτέρω ανάπτυξή τους.el
dc.format.extent106el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/deed.el*
dc.subjectSpiking neural networksel
dc.subjectRoboticsel
dc.subjectMemristorel
dc.subjectPhotonicsel
dc.subjectPlasticityel
dc.subjectVisual place recognitionel
dc.subjectMachine learningel
dc.subjectLiquid state machineel
dc.subjectVisual computingel
dc.subjectSpintronicsel
dc.titleΠυροδοτούμενα νευρωνικά δίκτυα και εφαρμογές τουςel
dc.title.alternativeSpiking neural networks and applicationsel
dc.typeΜεταπτυχιακή διπλωματική εργασίαel
dc.contributor.committeeΜυριδάκης, Νικόλαος
dc.contributor.committeeΜαστοροκώστας, Πάρις
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Πληροφορικής και Υπολογιστώνel
dc.contributor.masterΕπιστήμη και Τεχνολογία της Πληροφορικής και των Υπολογιστώνel
dc.description.abstracttranslatedRecent scientific data from the science of neurology have shown us that neurons encode information through the timing of the electrical triggers caused rather than by the frequency they are triggered. This gives us the opportunity to explore this approach as far as neural networks in the field of information technology are concerned. Initially, an introduction is made as far as reference is made to machine learning, the ways of training and the problems they solve. Then there is an approach to neuromorphic computing, as an offshoot of machine learning with references to implementations in terms of hardware (memristors, photonics), with final destination to spiking neural networks (Spiking neural networks) that will be mentioned, methods of training (supervised, reward modulated, reinforced) as well as some characteristics that should govern them (plasticity). To sum up we propose applications for SNN at visual Computing and robotics and some future steps as far as their further development.el


Αρχεία σε αυτό το τεκμήριο

Thumbnail
Όνομα:
Giannakopoulos_20010.pdf
Μέγεθος:
3.410Mb
Τύπος:
PDF
Περιγραφή:
Διπλωματική Εργασία
Προβολή/Άνοιγμα
Thumbnail
Όνομα:
Δηλωση_Συγγραφέα_mcse20010.pdf
Μέγεθος:
210.7Kb
Τύπος:
PDF
Περιγραφή:
Δηλωση Συγγραφέα
Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές