Εξελικτικά τεχνητά νευρωνικά δίκτυα
Στην παρούσα διπλωματική εργασία μελετάμε μια ειδική κατηγορία Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ), που τα τελευταία χρόνια έχουν απασχολήσει έντονα την επιστημονική κοινότητα, τα λεγόμενα Εξελικτικά Τεχνητά Νευρωνικά Δίκτυα (ΕΤΝΔ). Πιο συγκεκριμένα στο Κεφάλαιο 1 παραθέτουμε εισαγωγικές έννοιες και ό...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Μορφή: | Thesis |
Γλώσσα: | Greek |
Έκδοση: |
2016
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/9620 |
id |
nemertes-10889-9620 |
---|---|
record_format |
dspace |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Τεχνητά νευρωνικά δίκτυα Εξελικτικός υπολογισμός Γενετικοί αλγόριθμοι Εξελικτικά τεχνητά νευρωνικά δίκτυα Εξελικτικοί αλγόριθμοι Artificial neural networks Evolutionary computation Genetic algorithms Evolutionary artificial neural networks Evolutionary algorithms 006.3 |
spellingShingle |
Τεχνητά νευρωνικά δίκτυα Εξελικτικός υπολογισμός Γενετικοί αλγόριθμοι Εξελικτικά τεχνητά νευρωνικά δίκτυα Εξελικτικοί αλγόριθμοι Artificial neural networks Evolutionary computation Genetic algorithms Evolutionary artificial neural networks Evolutionary algorithms 006.3 Αλεξανδρόπουλος, Σταμάτιος-Άγγελος Εξελικτικά τεχνητά νευρωνικά δίκτυα |
description |
Στην παρούσα διπλωματική εργασία μελετάμε μια ειδική κατηγορία Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ), που τα τελευταία χρόνια έχουν απασχολήσει έντονα την επιστημονική κοινότητα, τα λεγόμενα Εξελικτικά Τεχνητά Νευρωνικά Δίκτυα (ΕΤΝΔ). Πιο συγκεκριμένα στο Κεφάλαιο 1 παραθέτουμε εισαγωγικές έννοιες και όρους αναφορικά με τα ΤΝΔ, έννοιες που θα χρειαστούν στα επόμενα κεφάλαια της εργασίας. Εξηγούμε τον τρόπο λειτουργίας των ΤΝΔ, περιγράφοντας τα βασικά κομμάτια ενός ΤΝΔ, τα βασικά μοντέλα και τις αρχιτεκτονικές που χρησιμοποιούνται ευρέως στον χώρο. Εστιάζουμε στο μοντέλο των Πολυεπίπεδων ΤΝΔ Εμπρόσθιας Διατροφοδότησης και στην Εκπαίδευση αυτού του μοντέλου με τον πιο γνωστό αλγόριθμο μάθησης, τον αλγόριθμο Οπίσθιας Διάδοσης. Το Κεφάλαιο 2 αφιερώνεται στα διάφορα μοντέλα Εξελικτικού Υπολογισμού (ΕΥ) και τους Εξελικτικούς Αλγόριθμους (ΕΑ). Παραθέτουμε τη συσχέτιση αυτών των τεχνητών εξελικτικών διαδικασιών με τις αντίστοιχες βιολογικές διαδικασίες της φυσικής εξέλιξης και εστιάζουμε στα πιο γνωστά μοντέλα ΕΑ και ιδιαίτερα στους Γενετικούς Αλγορίθμους (ΓΑ). Ακόμα, συζητάμε τους βασικούς άξονες των γενετικών τελεστών όπως και τον τρόπο λειτουργίας αυτών, καθώς και τη σύγλιση αλλά και την πολυπλοκότητα των ΕΑ. Στο Κεφάλαιο 3 συναντάμε το "πάντρεμα" των ΤΝΔ με τις εξελικτικές διαδικασίες του δευτέρου κεφαλαίου. Έτσι, παρουσιάζουμε τα ΕΤΝΔ και τον τρόπο δημιουργίας αυτών. Καταγράφουμε τις προσπάθειες που έχουν γίνει από την επιστημονική κοινότητα ώστε να χρησιμοποιηθούν σε πληθώρα παραδειγμάτων έναντι των κλασικών ΤΝΔ, όπως τα σχετικά αποτελέσματα και παρατηρήσεις. Συγκεκριμένα, εστιάζουμε στον τρόπο εξέλιξης των συναπτικών βαρών, της αρχιτεκτονικής και των κανόνων μάθησης, παρουσιάζοντας τα σημεία που υπερτερούν σε σχέση με τις παραδοσιακές μεθόδους. Το κεφάλαιο αυτό κλείνει με μια ευρύτερη συζήτηση για τις υβριδικές τεχνικές βελτιστοποίησης, αντίστοιχα σχόλια και προβληματισμούς. Η παρουσίαση της διπλωματικής εργασίας ολοκληρώνεται με το Κεφάλαιο 4 στο οποίο καταγράφονται συνοπτικά παρατηρήσεις αλλά και μελλοντικές φιλοδοξίες αναφορικά με τα ΕΤΝΔ. |
author2 |
Βραχάτης, Μηχαήλ |
author_facet |
Βραχάτης, Μηχαήλ Αλεξανδρόπουλος, Σταμάτιος-Άγγελος |
format |
Thesis |
author |
Αλεξανδρόπουλος, Σταμάτιος-Άγγελος |
author_sort |
Αλεξανδρόπουλος, Σταμάτιος-Άγγελος |
title |
Εξελικτικά τεχνητά νευρωνικά δίκτυα |
title_short |
Εξελικτικά τεχνητά νευρωνικά δίκτυα |
title_full |
Εξελικτικά τεχνητά νευρωνικά δίκτυα |
title_fullStr |
Εξελικτικά τεχνητά νευρωνικά δίκτυα |
title_full_unstemmed |
Εξελικτικά τεχνητά νευρωνικά δίκτυα |
title_sort |
εξελικτικά τεχνητά νευρωνικά δίκτυα |
publishDate |
2016 |
url |
http://hdl.handle.net/10889/9620 |
work_keys_str_mv |
AT alexandropoulosstamatiosangelos exeliktikatechnētaneurōnikadiktya AT alexandropoulosstamatiosangelos evolutionaryartificialneuralnetworks |
_version_ |
1771297156008771584 |
spelling |
nemertes-10889-96202022-09-05T05:37:38Z Εξελικτικά τεχνητά νευρωνικά δίκτυα Evolutionary artificial neural networks Αλεξανδρόπουλος, Σταμάτιος-Άγγελος Βραχάτης, Μηχαήλ Αλεβίζος, Παναγιώτης Κωτσιαντής, Σωτήρης Alexandropoulos, Stamatios-Aggelos Τεχνητά νευρωνικά δίκτυα Εξελικτικός υπολογισμός Γενετικοί αλγόριθμοι Εξελικτικά τεχνητά νευρωνικά δίκτυα Εξελικτικοί αλγόριθμοι Artificial neural networks Evolutionary computation Genetic algorithms Evolutionary artificial neural networks Evolutionary algorithms 006.3 Στην παρούσα διπλωματική εργασία μελετάμε μια ειδική κατηγορία Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ), που τα τελευταία χρόνια έχουν απασχολήσει έντονα την επιστημονική κοινότητα, τα λεγόμενα Εξελικτικά Τεχνητά Νευρωνικά Δίκτυα (ΕΤΝΔ). Πιο συγκεκριμένα στο Κεφάλαιο 1 παραθέτουμε εισαγωγικές έννοιες και όρους αναφορικά με τα ΤΝΔ, έννοιες που θα χρειαστούν στα επόμενα κεφάλαια της εργασίας. Εξηγούμε τον τρόπο λειτουργίας των ΤΝΔ, περιγράφοντας τα βασικά κομμάτια ενός ΤΝΔ, τα βασικά μοντέλα και τις αρχιτεκτονικές που χρησιμοποιούνται ευρέως στον χώρο. Εστιάζουμε στο μοντέλο των Πολυεπίπεδων ΤΝΔ Εμπρόσθιας Διατροφοδότησης και στην Εκπαίδευση αυτού του μοντέλου με τον πιο γνωστό αλγόριθμο μάθησης, τον αλγόριθμο Οπίσθιας Διάδοσης. Το Κεφάλαιο 2 αφιερώνεται στα διάφορα μοντέλα Εξελικτικού Υπολογισμού (ΕΥ) και τους Εξελικτικούς Αλγόριθμους (ΕΑ). Παραθέτουμε τη συσχέτιση αυτών των τεχνητών εξελικτικών διαδικασιών με τις αντίστοιχες βιολογικές διαδικασίες της φυσικής εξέλιξης και εστιάζουμε στα πιο γνωστά μοντέλα ΕΑ και ιδιαίτερα στους Γενετικούς Αλγορίθμους (ΓΑ). Ακόμα, συζητάμε τους βασικούς άξονες των γενετικών τελεστών όπως και τον τρόπο λειτουργίας αυτών, καθώς και τη σύγλιση αλλά και την πολυπλοκότητα των ΕΑ. Στο Κεφάλαιο 3 συναντάμε το "πάντρεμα" των ΤΝΔ με τις εξελικτικές διαδικασίες του δευτέρου κεφαλαίου. Έτσι, παρουσιάζουμε τα ΕΤΝΔ και τον τρόπο δημιουργίας αυτών. Καταγράφουμε τις προσπάθειες που έχουν γίνει από την επιστημονική κοινότητα ώστε να χρησιμοποιηθούν σε πληθώρα παραδειγμάτων έναντι των κλασικών ΤΝΔ, όπως τα σχετικά αποτελέσματα και παρατηρήσεις. Συγκεκριμένα, εστιάζουμε στον τρόπο εξέλιξης των συναπτικών βαρών, της αρχιτεκτονικής και των κανόνων μάθησης, παρουσιάζοντας τα σημεία που υπερτερούν σε σχέση με τις παραδοσιακές μεθόδους. Το κεφάλαιο αυτό κλείνει με μια ευρύτερη συζήτηση για τις υβριδικές τεχνικές βελτιστοποίησης, αντίστοιχα σχόλια και προβληματισμούς. Η παρουσίαση της διπλωματικής εργασίας ολοκληρώνεται με το Κεφάλαιο 4 στο οποίο καταγράφονται συνοπτικά παρατηρήσεις αλλά και μελλοντικές φιλοδοξίες αναφορικά με τα ΕΤΝΔ. In this work we study a special class of Artificial Neural Network (ANN), which in recent years have strongly occupied the scientific community, the so-called Evolutionary Artificial Neural Networks (EANN). More specifically, in Chapter 1 we present introductory concepts and terms regarding the ANN, concepts that will be needed in the next chapters. We explain how an ANN is working, the basic models and architectures that are widely used in the field. We study multilayer perceptron and we focus on learning process of this model with the most known learning algorithm, the Back Propagation algorithm. In Chapter 2, we study the various models of Evolutionary Computation and Evolutionary Algorithms (EA). We present the correlation of these artificial evolutionary processes with the corresponding biological processes of natural evolution and focus on the most popular EA models and especially in Genetic Algorithms (GA). Moreover, we discuss the fundamentals of genetic operators and the complexity of EA. In Chapter 3, we present the combination of the ANN with the evolutionary processes of the second chapter. Thus, we present the EANN and how to create this ANN. In addition, we present the efforts made by scientific community to be used in a variety of examples and we focus on how the evolution of synaptic weights, architecture and learning rules it works. This work ending with a broader discussion on hybrid optimization techniques and some future concerns about EANN. 2016-09-21T09:15:12Z 2016-09-21T09:15:12Z 2016-02-22 Thesis http://hdl.handle.net/10889/9620 gr 0 application/pdf |