Extension of neural network architecture

Roman KALIVODA

Bakalářská práce

Abstract:

Spiking neural networks (SNNs) are artificial neural networks designed to mimic sparse and asynchronous nature of information processing observed in biology. In recent years, deep spiking networks emerged with efforts to draw on experiences with classic deep networks. There also appeared attempts to reuse the available state-of-the-art analogue neural networks (ANNs) completely, and replace the neurons for inference. This thesis contributes with analysis of the dominant methods used in the development of SNNs, and comparison of the major SNN simulation platforms. An application of the SNNs was demonstrated on detection of event-related potentials in EEG data.

Abstract:

Impulsní neuronové sítě jsou variantou umělých neuronových sítí, které jsou navrženy, aby simulovaly přirozenou rozptýlenost a asynchronii pozorovanou u biologických neuronových sítí. Pokrok v nedávné době umožnil vytváření vícevrstvých impulsních sítí. S tím se objevila i snaha dosáhnout podobných úspěchů jako s klasickými vícevrstvými sítěmi. Objevily se také snahy o opětovné využití již existujících a populárních architektur klasických neuronových sítí. Ty mohou být například použity během procesu učení a nahrazeny impulsními sítěmi až v provozu. Tato práce analyzuje hlavní metody využité při vytváření impulsních sítí a porovnává nástroje pro jejich simulaci. Také bylo ukázáno použití impulsní neuronové sítě na detekci kognitivních evokovaných potenciálů v EEG datech.

Keywords

neuronové sítě, impulsní neuronové sítě

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 7. 5. 2020

Zveřejnit od: 31. 12. 2999

Obhajoba závěrečné práce

• Vedoucí: Ing. Roman Mouček, Ph.D.

ZÁPADOČESKÁ UNIVERZITA V PLZNI

Fakulta aplikovaných věd

Bakalářský studijní program / obor:
Inženýrská informatika / Informatika