| Title: | Klasické a impulzní neuronové sítě |
| Other Titles: | Traditional and spiking neural networks |
| Authors: | Matějka, Jakub |
| Advisor: | Mouček Roman, Doc. Ing. Ph.D. |
| Referee: | Vařeka Lukáš, Ing. Ph.D. |
| Issue Date: | 2022 |
| Publisher: | Západočeská univerzita v Plzni |
| Document type: | bakalářská práce |
| URI: | http://hdl.handle.net/11025/49353 |
| Keywords: | tradiční neuronové sítě;impulzní neuronové sítě;neuromorfní hardware;erp klasifikace |
| Keywords in different language: | artificial neural networks;spiking neural networks;neuromorphic hardware;erp classification |
| Abstract: | 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. |
| Abstract in different language: | 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. |
| Rights: | Plný text práce je přístupný bez omezení |
| Appears in Collections: | Bakalářské práce / Bachelor´s works (KIV) |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| A17B0285P_BP_p300-snn-classification.pdf | Plný text práce | 406,54 kB | Adobe PDF | View/Open |
| A17B0285P_Posudek.pdf | Posudek oponenta práce | 106,57 kB | Adobe PDF | View/Open |
| A17B0285P_Hodnoceni.pdf | Posudek vedoucího práce | 414,12 kB | Adobe PDF | View/Open |
| A17B0285P_obhajoba.pdf | Průběh obhajoby práce | 65,45 kB | Adobe PDF | View/Open |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/49353Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.