Full metadata record
DC poleHodnotaJazyk
dc.contributor.advisorMouček Roman, Doc. Ing. Ph.D.
dc.contributor.authorMatějka, Jakub
dc.contributor.refereeVařeka Lukáš, Ing. Ph.D.
dc.date.accepted2022-6-14
dc.date.accessioned2022-07-25T22:31:02Z-
dc.date.available2020-10-5
dc.date.available2022-07-25T22:31:02Z-
dc.date.issued2022
dc.date.submitted2021-6-24
dc.identifier86456
dc.identifier.urihttp://hdl.handle.net/11025/49353-
dc.description.abstractImpulzní 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.cs
dc.format43
dc.language.isoen
dc.publisherZápadočeská univerzita v Plzni
dc.rightsPlný text práce je přístupný bez omezení
dc.subjecttradiční neuronové sítěcs
dc.subjectimpulzní neuronové sítěcs
dc.subjectneuromorfní hardwarecs
dc.subjecterp klasifikacecs
dc.titleKlasické a impulzní neuronové sítěcs
dc.title.alternativeTraditional and spiking neural networksen
dc.typebakalářská práce
dc.thesis.degree-nameBc.
dc.thesis.degree-levelBakalářský
dc.thesis.degree-grantorZápadočeská univerzita v Plzni. Fakulta aplikovaných věd
dc.thesis.degree-programInženýrská informatika
dc.description.resultObhájeno
dc.description.abstract-translatedSpiking 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.en
dc.subject.translatedartificial neural networksen
dc.subject.translatedspiking neural networksen
dc.subject.translatedneuromorphic hardwareen
dc.subject.translatederp classificationen
Vyskytuje se v kolekcích:Bakalářské práce / Bachelor´s works (KIV)

Soubory připojené k záznamu:
Soubor Popis VelikostFormát 
A17B0285P_BP_p300-snn-classification.pdfPlný text práce406,54 kBAdobe PDFZobrazit/otevřít
A17B0285P_Posudek.pdfPosudek oponenta práce106,57 kBAdobe PDFZobrazit/otevřít
A17B0285P_Hodnoceni.pdfPosudek vedoucího práce414,12 kBAdobe PDFZobrazit/otevřít
A17B0285P_obhajoba.pdfPrůběh obhajoby práce65,45 kBAdobe PDFZobrazit/otevřít
Zobrazit minimální záznam Zobrazit statistiky


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.

hledání
navigace
  1. DSpace at University of West Bohemia
  2. Vysokoškolské kvalifikační práce / Theses
  3. Fakulta aplikovaných věd / Faculty of Applied Sciences
  4. Katedra informatiky a výpočetní techniky / Department of Computer Science and Engineering
  5. Bakalářské práce / Bachelor´s works (KIV)