Χρήση εξελικτικών αλγορίθμων για την εκπαίδευση Τεχνητών Νευρωνικών Δικτύων
| dc.contributor.advisor | Παναγιωτόπουλος, Θεμιστοκλής | |
| dc.contributor.author | Αναστασίου, Νικόλαος-Σπυρίδων | |
| dc.date.accessioned | 2016-03-18T08:40:50Z | |
| dc.date.available | 2016-03-18T08:40:50Z | |
| dc.date.issued | 2015-11 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/8616 | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία εξετάζει εξελικτικές τεχνικές για την εκπαίδευση Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ). Με τον όρο εξελικτική τεχνική αναφερόμαστε σε μια υποκατηγορία των μετα - ευριστικών τεχνικών. Οι εξελικτικοί αλγόριθμοι περιλαμβάνουν τεχνικές οι οποίες προσπαθούν να προσομοιώσουν συμπεριφορές πληθυσμών που απαντώνται στην φύση, όπως για παράδειγμα την διαδικασία της εξέλιξης των ειδών, την κίνηση των πουλιών από ένα σημείο σε ένα άλλο, την εύρεση τροφής από ένα κοπάδι ψαριών, κα. Ο συμβατικός τρόπος εκπαίδευσης ενός ΤΝΔ γίνεται με την χρήση του αλγορίθμου Οπισθοδιάδοσης του Σφάλματος ( BP – Back Propagation Error) . Στην παρούσα εργασία ο αλγόριθμος BP συγκρίνεται με 3 εξελικτικές τεχνικές: τον Γενετικό Αλγόριθμο ( ΓΑ ), τον αλγόριθμο PSO και μία υβριδική τους προσέγγιση η οποία ονομάζεται HGAPSO. Για την αποδοτική σύγκριση των 4 αλγορίθμων υλοποιήθηκε λογισμικό, το οποίο εφαρμόζει και τις 4 τεχνικές πάνω σε σύνολα δεδομένων. Τα σύνολα δεδομένων τα οποία χρησιμοποιήθηκαν ανακτήθηκαν από το UCI Machine Learning Repository (https://archive.ics.uci.edu/ml/datasets.html). Τα δεδομένα εκπαίδευσης μετασχηματίστηκαν κατάλληλα, σε ισοδύναμη μορφή, έτσι ώστε να είναι δυνατός ο χειρισμός τους από το λογισμικό | el |
| dc.format.extent | 148 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.subject | Εκπαιδευτικό λογισμικό | el |
| dc.title | Χρήση εξελικτικών αλγορίθμων για την εκπαίδευση Τεχνητών Νευρωνικών Δικτύων | el |
| dc.title.alternative | Evolutionary algorithms for training Neural Networks | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | The current thesis examines evolutionary techniques for the training of Artificial Neural Networks (ANN). The term evolutionary technique refers to a subset of post-heuristic techniques. Evolutionary algorithms include techniques which try to simulate behaviors of populations found in nature, such as the process of evolution of species , the movement of birds from one place to another , finding food in fish-swarm , and more . The conventional way of training an ANN is using the back-propagation algorithm ( BP - Back Propagation). In this work the algorithm BP is compared with 3 evolutionary techniques the Genetic Algorithm ( GA ), the PSO algorithm and a hybrid approach them called HGAPSO . For efficient comparison of these four algorithms we implemented a software which applies the four techniques on data sets . The data sets that were used were recovered from the UCI Machine Learning Repository ( https://archive.ics.uci.edu/ml/datasets.html). The training data properly transformed, in an equivalent form so as to be used by the software. | el |
| dc.contributor.master | Πληροφορική | el |
| dc.subject.keyword | Αλγόριθμοι | el |
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:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές