Ανάπτυξη νευρωνικών δικτύων με χρήση μεθόδων εξελικτικής υπολογιστικής. Εφαρμογή στην ταξινόμηση βιοϊατρικών σημάτων

Κατράδη, Ελένη

dc.contributor.advisor	Μαστοροκώστας, Πάρις
dc.contributor.author	Κατράδη, Ελένη
dc.date.accessioned	2018-11-12T09:45:03Z
dc.date.available	2018-11-12T09:45:03Z
dc.date.issued	2018-11-07
dc.identifier.uri	http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/4688
dc.description.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.	el
dc.format.extent	53	el
dc.language.iso	el	el
dc.publisher	Α.Ε.Ι. Πειραιά Τ.Τ.	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	TPSH::Επιστήμη Υπολογιστών::Νευρωνικά Δίκτυα (Επιστήμη των Υπολογιστών)	el
dc.subject	TPSH::Επιστήμη Υπολογιστών::Προγράμματα Υπολογιστή	el
dc.subject	TPSH::Επιστήμη Υπολογιστών::Τεχνητή Νοημοσύνη	el
dc.title	Ανάπτυξη νευρωνικών δικτύων με χρήση μεθόδων εξελικτικής υπολογιστικής. Εφαρμογή στην ταξινόμηση βιοϊατρικών σημάτων	el
dc.title.alternative	Development of neural networks using evolutionary computational methods. Application to Biomedical Signal Classification	el
dc.type	Μεταπτυχιακή εργασία	el
dc.contributor.committee	Έλληνας, Ιωάννης
dc.contributor.committee	Κουκουλέτσος, Κωνσταντίνος
dc.contributor.master	Εφαρμοσμένα Πληροφοριακά Συστήματα	el
dc.subject.keyword	Τεχνητά νευρωνικά δίκτυα	el
dc.subject.keyword	Γενετικοί αλγόριθμοι	el
dc.subject.keyword	Αλγόριθμοι	el
dc.description.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.	el

Αρχεία σε αυτό το τεκμήριο

Όνομα:: ais-0108.pdf
Μέγεθος:: 2.301Mb
Τύπος:: PDF

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εφαρμοσμένα Πληροφοριακά Συστήματα
Διπλωματικές εργασίες μεταπτυχιακών φοιτητών του προγράμματος Εφαρμοσμένα Πληροφοριακά Συστήματα

Εμφάνιση απλής εγγραφής

Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα