Μελέτη της λειτουργίας της μνήμης του εγκεφάλου σχετικά με την αποθήκευση και ανάκτηση εικόνας με χρήση του μοντέλου Hopfield
| datacite.contributor.RelatedPerson | Τσιπιανίτης, Δημήτριος | |
| datacite.contributor.RelatedPerson | Μπεχλιούλης, Χαράλαμπος | |
| datacite.contributor.Supervisor | Καζάκος, Δημοσθένης | |
| dc.contributor.author | Χατζαντουριάν, Ιωάννα | |
| dc.contributor.other | Chatzantourian, Ioanna | |
| dc.date.accessioned | 2023-02-20T07:42:43Z | |
| dc.date.available | 2023-02-20T07:42:43Z | |
| dc.date.issued | 2023-02-14 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Στην παρούσα διπλωματική εργασία γίνεται λόγος για το δίκτυο Hopfield, τον τρόπο λειτουργίας του και την σύνδεσή του με μέρη του εγκεφάλου μας. Εξερευνούμε, αρχικά, την συμπεριφορά των νευρώνων και κυρίως την περιοχή του Ιππόκαμπου που εμπλέκεται με την διαδικασία μάθησης και μνήμης. Στην συνέχεια, αναφερόμαστε στην Hebbian μάθηση που αποτελεί τον κανόνα μάθησης του νευρωνικού μας δικτύου και της συσχετιστικής μνήμης. Δίνοντας το απαραίτητο μαθηματικό υπόβαθρο, συνεχίζουμε παραθέτοντας δύο μαθηματικές μοντελοποιήσεις του δικτύου Hopfield, εκείνης του προσθετικού μοντέλου ενός νευρώνα και αυτής του μοντέλου Ising. Αναλύουμε τις διαδικασίες αποθήκευσης και ανάκτησης μνημών χρησιμοποιώντας θεωρία ευστάθειας των δυναμικών συστημάτων. Αποτελεί στόχο μας η υλοποίηση ενός προγράμματος που εκμεταλλευόμενοι τις συσχετιστικές ιδιότητες του δικτύου Hopfield να αποθηκεύει εικόνες στον ρόλο των μνημών. Όταν στο δίκτυο εισάγονται εκφυλισμένες, με την μορφή θορύβου, εικόνες το δίκτυο θα δρα ως εκκαθαριστής θορύβου και θα ανακτά την αρχική θεμελιώδη εικόνα. Θα εξετάσουμε διάφορες περιπτώσεις και θα λάβουμε συμπεράσματα για την χωρητικότητα και την αποδοτικότητα του δικτύου χρησιμοποιώντας 2 μέθοδους ενημέρωσης των συναπτικών βαρών, την ασύγχρονη και την σύγχρονη ενημέρωση. | |
| dc.description.translatedabstract | In this thesis we talk about the Hopfield network, how it works and its connection with parts of our brain. We explore, initially, the behavior of neurons and especially the Hippocampus area involved in the learning and memory process. Then, we refer to Hebbian learning which is the learning rule of our neural network and associative memory. Having given the necessary mathematical background, we continue by quoting two mathematical modelings of the Hopfield network, that of the additive of the neuron and that of the Ising model. We analyze memory storage and retrieval processes using stability theory of dynamical systems. Our goal is to implement a program that exploits the associative properties of the Hopfield network to store images in the role of memories. When degenerate noisy images are introduced into the network, the network will act as a noise cleaner and recover the original fundamental image. We will consider several cases and draw conclusions about network capacity and efficiency using 2 methods of updating synaptic weights, asynchronous and synchronous updating. | |
| dc.identifier.uri | https://hdl.handle.net/10889/24479 | |
| dc.language.iso | el | |
| dc.rights | CC0 1.0 Universal | * |
| dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | * |
| dc.subject | Εγκέφαλος | |
| dc.subject | Συσχετιστική μνήμη | |
| dc.subject | Νευρωνικά δίκτυα Hopfield | |
| dc.subject | Hebbian μάθηση | |
| dc.subject | Αποθήκευση μνήμης | |
| dc.subject | Ανάκτηση μνήμης | |
| dc.subject | Ψευδείς καταστάσεις | |
| dc.subject | Χωρητικότητα | |
| dc.subject.alternative | Brain | |
| dc.subject.alternative | Hopfield neural network | |
| dc.subject.alternative | Associative memory | |
| dc.subject.alternative | Hebbian learning | |
| dc.subject.alternative | Memory storage | |
| dc.subject.alternative | Memory retrieval | |
| dc.subject.alternative | Spurious states | |
| dc.subject.alternative | Capacity | |
| dc.title | Μελέτη της λειτουργίας της μνήμης του εγκεφάλου σχετικά με την αποθήκευση και ανάκτηση εικόνας με χρήση του μοντέλου Hopfield | |
| dc.title.alternative | Brain memory study-storing and retrieving images using the Hopfield neural network |