Ανάπτυξη νευρωνικών δικτύων με χρήση μεθόδων εξελικτικής υπολογιστικής. Εφαρμογή στην ταξινόμηση βιοϊατρικών σημάτων
| Κύριος συγγραφέας: | |
|---|---|
| Μορφή: | Μεταπτυχιακή εργασία |
| Γλώσσα: | Greek |
| Έκδοση: |
Α.Ε.Ι. Πειραιά Τ.Τ.
2018
|
| Θέματα: | |
| Διαθέσιμο Online: | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/4688 |
| _version_ | 1780278347982438400 |
|---|---|
| abstract | Σε αυτή τη διπλωματική εργασία επιχειρείται η δημιουργία ενός συνδυασμού γενετικού αλγορίθμου μαζί με τεχνητά νευρωνικά δίκτυα. Η μεθοδολογία που αναπτύχθηκε, εφαρμόσθηκε στην ανάλυση και των διαχωρισμό των διαφορετικών αναπνευστικών ήχων τα αποτελέσματα της οποίας μπορούν να αποτελέσουν πολύ σημαντική διαγνωστική πληροφορία.
Τα Τεχνητά Νευρωνικά Δίκτυα κάνουν δυνατή την επίλυση πολύπλοκων προβλημάτων σε ένα μεγάλο σύνολο τομέων. Αποτελούν εξελιγμένες τεχνικές μη γραμμικής μοντελοποίησης, ικανές να μοντελοποιήσουν εξαιρετικά πολύπλοκες λειτουργίες. Το νευρωνικό δίκτυο έχει τη δυνατότητα να αλληλεπιδρά με το περιβάλλον και να μαθαίνει απ’ αυτό. Όλη η εμπειρική γνώση των δικτύων αυτών κωδικοποιείται στα συνοπτικά βάρη τα οποία αποτελούν το χαρακτηριστικό εκείνο που δίνει στο δίκτυο την ικανότητα για εξέλιξη και προσαρμογή στο περιβάλλον
Οι Γενετικοί Αλγόριθμοι αποτελούν μια δημοφιλή κατηγορία αλγορίθμων βελτιστοποίησης, που λειτουργεί με εξομοίωση των νόμων και των αρχών που διέπουν τα φυσικά φαινόμενα και τους ζωντανούς οργανισμούς. Σε αντίθεση με τους κλασικούς αλγόριθμους αναζήτησης, οι ΓΑ εκτελούν αναζήτηση στο χώρο των υποψήφιων λύσεων με στόχο την εύρεση αποδεκτών λύσεων, σύμφωνα με κάποιο κριτήριο. Οι ΓΑ λειτουργούν σύμφωνα με τις βασικές αρχές της Αναπαραγωγής, της Μετάλλαξης και του Ανταγωνισμού οι οποίες αποτελούν βασικά χαρακτηριστικά της θεωρίας τα Εξέλιξης. |
| abstracttranslated | This thesis attempts to create a combination of genetic algorithm with artificial neural networks. The methodology developed was applied to the analysis and separation of different respiratory sounds, the results of which can be very important diagnostic information. Artificial Neural Networks make it possible to solve complex problems in a large set of domains. They are sophisticated non-linear modeling techniques, capable of modeling extremely complex functions. Neural Networks have the potential to interact with the environment and learn from it. All the empirical knowledge of these networks is coded into the synaptic weights which are the characteristic that gives the network the ability to evolve and adapt to the environment.
Genetic Algorithms are a popular category of optimization algorithms that work by simulating the laws and principles governing natural phenomena and living organisms. Unlike classic search algorithms, GA are searching for candidate solutions to find an acceptable solutions according to a specific criterion. GM operate in accordance with the basic principles of Reproduction, Mutation and Competition, which are key features of Evolution theory. |
| advisor | |
| author | Κατράδη, Ελένη |
| author_facet | Κατράδη, Ελένη |
| author_sort | Κατράδη, Ελένη |
| collection | Okeanis Institutional Repository |
| format | Μεταπτυχιακή εργασία |
| id | okeanis-123456789-4688 |
| institution | University of West Attica Campus II |
| keyword | Τεχνητά νευρωνικά δίκτυα Γενετικοί αλγόριθμοι Αλγόριθμοι |
| language | Greek |
| physical | 53 |
| publishDate | 2018 |
| publisher | Α.Ε.Ι. Πειραιά Τ.Τ. |
| record_format | dspace |
| spelling | okeanis-123456789-46882018-12-14T10:04:59Z Ανάπτυξη νευρωνικών δικτύων με χρήση μεθόδων εξελικτικής υπολογιστικής. Εφαρμογή στην ταξινόμηση βιοϊατρικών σημάτων Development of neural networks using evolutionary computational methods. Application to Biomedical Signal Classification Κατράδη, Ελένη Μαστοροκώστας, Πάρις TPSH::Επιστήμη Υπολογιστών::Νευρωνικά Δίκτυα (Επιστήμη των Υπολογιστών) TPSH::Επιστήμη Υπολογιστών::Προγράμματα Υπολογιστή TPSH::Επιστήμη Υπολογιστών::Τεχνητή Νοημοσύνη Τεχνητά νευρωνικά δίκτυα Γενετικοί αλγόριθμοι Αλγόριθμοι Σε αυτή τη διπλωματική εργασία επιχειρείται η δημιουργία ενός συνδυασμού γενετικού αλγορίθμου μαζί με τεχνητά νευρωνικά δίκτυα. Η μεθοδολογία που αναπτύχθηκε, εφαρμόσθηκε στην ανάλυση και των διαχωρισμό των διαφορετικών αναπνευστικών ήχων τα αποτελέσματα της οποίας μπορούν να αποτελέσουν πολύ σημαντική διαγνωστική πληροφορία. Τα Τεχνητά Νευρωνικά Δίκτυα κάνουν δυνατή την επίλυση πολύπλοκων προβλημάτων σε ένα μεγάλο σύνολο τομέων. Αποτελούν εξελιγμένες τεχνικές μη γραμμικής μοντελοποίησης, ικανές να μοντελοποιήσουν εξαιρετικά πολύπλοκες λειτουργίες. Το νευρωνικό δίκτυο έχει τη δυνατότητα να αλληλεπιδρά με το περιβάλλον και να μαθαίνει απ’ αυτό. Όλη η εμπειρική γνώση των δικτύων αυτών κωδικοποιείται στα συνοπτικά βάρη τα οποία αποτελούν το χαρακτηριστικό εκείνο που δίνει στο δίκτυο την ικανότητα για εξέλιξη και προσαρμογή στο περιβάλλον Οι Γενετικοί Αλγόριθμοι αποτελούν μια δημοφιλή κατηγορία αλγορίθμων βελτιστοποίησης, που λειτουργεί με εξομοίωση των νόμων και των αρχών που διέπουν τα φυσικά φαινόμενα και τους ζωντανούς οργανισμούς. Σε αντίθεση με τους κλασικούς αλγόριθμους αναζήτησης, οι ΓΑ εκτελούν αναζήτηση στο χώρο των υποψήφιων λύσεων με στόχο την εύρεση αποδεκτών λύσεων, σύμφωνα με κάποιο κριτήριο. Οι ΓΑ λειτουργούν σύμφωνα με τις βασικές αρχές της Αναπαραγωγής, της Μετάλλαξης και του Ανταγωνισμού οι οποίες αποτελούν βασικά χαρακτηριστικά της θεωρίας τα Εξέλιξης. This thesis attempts to create a combination of genetic algorithm with artificial neural networks. The methodology developed was applied to the analysis and separation of different respiratory sounds, the results of which can be very important diagnostic information. Artificial Neural Networks make it possible to solve complex problems in a large set of domains. They are sophisticated non-linear modeling techniques, capable of modeling extremely complex functions. Neural Networks have the potential to interact with the environment and learn from it. All the empirical knowledge of these networks is coded into the synaptic weights which are the characteristic that gives the network the ability to evolve and adapt to the environment. Genetic Algorithms are a popular category of optimization algorithms that work by simulating the laws and principles governing natural phenomena and living organisms. Unlike classic search algorithms, GA are searching for candidate solutions to find an acceptable solutions according to a specific criterion. GM operate in accordance with the basic principles of Reproduction, Mutation and Competition, which are key features of Evolution theory. 2018-11-07 Μεταπτυχιακή εργασία http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/4688 el http://creativecommons.org/licenses/by-nc/3.0/gr/ Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα Α.Ε.Ι. Πειραιά Τ.Τ. 53 http://okeanis.lib2.uniwa.gr/xmlui/bitstream/123456789/4688/4/ais-0108.pdf.jpg |
| spellingShingle | TPSH::Επιστήμη Υπολογιστών::Νευρωνικά Δίκτυα (Επιστήμη των Υπολογιστών) TPSH::Επιστήμη Υπολογιστών::Προγράμματα Υπολογιστή TPSH::Επιστήμη Υπολογιστών::Τεχνητή Νοημοσύνη Κατράδη, Ελένη Ανάπτυξη νευρωνικών δικτύων με χρήση μεθόδων εξελικτικής υπολογιστικής. Εφαρμογή στην ταξινόμηση βιοϊατρικών σημάτων |
| title | Ανάπτυξη νευρωνικών δικτύων με χρήση μεθόδων εξελικτικής υπολογιστικής. Εφαρμογή στην ταξινόμηση βιοϊατρικών σημάτων |
| title_full | Ανάπτυξη νευρωνικών δικτύων με χρήση μεθόδων εξελικτικής υπολογιστικής. Εφαρμογή στην ταξινόμηση βιοϊατρικών σημάτων |
| title_fullStr | Ανάπτυξη νευρωνικών δικτύων με χρήση μεθόδων εξελικτικής υπολογιστικής. Εφαρμογή στην ταξινόμηση βιοϊατρικών σημάτων |
| title_full_unstemmed | Ανάπτυξη νευρωνικών δικτύων με χρήση μεθόδων εξελικτικής υπολογιστικής. Εφαρμογή στην ταξινόμηση βιοϊατρικών σημάτων |
| title_short | Ανάπτυξη νευρωνικών δικτύων με χρήση μεθόδων εξελικτικής υπολογιστικής. Εφαρμογή στην ταξινόμηση βιοϊατρικών σημάτων |
| title_sort | ανάπτυξη νευρωνικών δικτύων με χρήση μεθόδων εξελικτικής υπολογιστικής. εφαρμογή στην ταξινόμηση βιοϊατρικών σημάτων |
| title_translated | Development of neural networks using evolutionary computational methods. Application to Biomedical Signal Classification |
| topic | TPSH::Επιστήμη Υπολογιστών::Νευρωνικά Δίκτυα (Επιστήμη των Υπολογιστών) TPSH::Επιστήμη Υπολογιστών::Προγράμματα Υπολογιστή TPSH::Επιστήμη Υπολογιστών::Τεχνητή Νοημοσύνη |
| url | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/4688 |