Νευρωνικά δίκτυα και αναγνώριση προτύπων
| dc.contributor.author | Παπαδημητρίου, Αθανάσιος Ι. | |
| dc.date.accessioned | 2011-01-20T07:06:45Z | |
| dc.date.available | 2011-01-20T07:06:45Z | |
| dc.date.issued | 2011-01-20T07:06:45Z | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/3769 | |
| dc.description.abstract | Κατά τα τελευταία έτη η νευρωνική υπολογιστική έχει αναδειχθεί ως ένα πρακτικό της τεχνολογίας, με επιτυχημένες εφαρμογές σε πολλούς τομείς. Οι πλειοψηφίες αυτών των εφαρμογών ασχολείται με τα προβλήματα στην αναγνώριση προτύπων και να κάνουν χρήση feed forward αρχιτεκτονικών δικτύων όπως το perceptron πολλαπλών στρωμάτων και τα δίκτυα ακτινικών συναρτήσεων. Επίσης, έχει γίνει επίσης ευρέως γνωστό ότι οι επιτυχείς εφαρμογές των νευρωνικών απαιτούν μια προσέγγιση η οποία βασίζεται σε συγκεκριμένες αρχές και δεν είναι ad hoc. Σκοπός της παρούσας διπλωματικής εργασίας είναι να παρουσιάσει τη χρήση των νευρωνικών δικτύων η οποία αντανακλά της ως άνω εφαρμογές. Από την προοπτική της αναγνώρισης προτύπων, τα νευρωνικά δίκτυα μπορούν να θεωρηθούν ως επέκταση των πολλών συμβατικών τεχνικών που έχουν αναπτυχθεί κατά τη διάρκεια αρκετών δεκαετιών. Ιστορικά, πολλές έννοιες στο νευρικό υπολογισμό έχουν εμπνευστεί από τις μελέτες των βιολογικών δικτύων. Η προοπτικές της στατιστικής αναγνώρισης προτύπων, εντούτοις, προσφέρει έναν αμεσότερο δρόμο σε πολλές από τις ίδιες έννοιες. Η παρούσα διπλωματική εργασία αναπτύσσει τον τρόπο εφαρμογής της αναγνώρισης των προτύπων μέσω των νευρωνικών δικτύων. Αρχικά στο κεφάλαιο 2 γίνεται μια αναφορά στις βασικές έννοιες της στατιστικής αναγνώρισης των προτύπων στην αντιμετώπιση συγκεκριμένων προβλημάτων. Στην συνέχεια στο κεφάλαιο 3 αναφερόμαστε στον τρόπο που είναι δομημένα και λειτουργούν τα νευρωνικά δίκτυα. Στο κεφάλαιο 4 βλέπουμε την αναπαράσταση διαχωριστικών επιφανειών μέσω ενός δικτύου Perceptron Πολλαπλών Στρωμάτων. Στο κεφάλαιο 5 αναπτύσσεται ο τρόπος λειτουργίας των δικτύων ακτινικών συναρτήσεων ενώ στο κεφάλαιο 6 των Χεμπιανών Μοντέλων Μάθησης, ειδικές περιπτώσεις νευρωνικών δικτύων. Τέλος, στο κεφάλαιο 7 αναφέρεται στα μη εκπαιδεύομενα μοντέλα, στα δίκτυα Hopfield και Hamming. | |
| dc.language.iso | el | |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 4.0 Διεθνές | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/deed.el | |
| dc.subject | Ηλεκτρονικοί υπολογιστές -- Δίκτυα | |
| dc.subject | Neural networks (Computer science) | |
| dc.subject | Ηλεκτρονικοί υπολογιστές -- Δίκτυα -- Μέτρα ασφαλείας | |
| dc.title | Νευρωνικά δίκτυα και αναγνώριση προτύπων | |
| dc.type | Master Thesis | |
| europeana.isShownAt | https://dione.lib.unipi.gr/xmlui/handle/unipi/3769 | |
| europeana.type | IMAGE | |
| dc.identifier.call | 005.8 ΠΑΠ | |
| dc.description.abstractEN | In recent years neural computing has emerged as a practical technology, with successful applications in many fields. The majorities of these applications is concerned with problems in pattern recognition and make use of feed-forward network architectures such as the multilayer perceptron and the radial basis function network. Also, it has also become widely acknowledged that successful applications of neural computing require a principled, rather than ad hoc, approach. The aim of this Diploma Thesis is to introduce to a treatment of neural networks which reflects these developments. From the perspective of pattern recognition, neural networks can be regarded as an extension of the many conventional techniques which have been developed over several decades. Historically, many concepts in neural computing have been inspired by studies of biological networks. The perspective of statistical pattern recognition, however, offers a much more direct and principled route to many of same concepts. |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 4.0 Διεθνές
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 4.0 Διεθνές