Please use this identifier to cite or link to this item:
Title: Σύγκριση μεθόδων εκπαίδευσης τεχνητών νευρωνικών δικτύων
Authors: Σταθοπούλου, Δήμητρα
Issue Date: 2011-06-16T07:25:55Z
Keywords: Νευρωνικά δίκτυα
Keywords (translated): Neural networks
Abstract: Η παρούσα διπλωματική εργασία αποσκοπεί στη μελέτη και την εκπαίδευση των Τεχνητών Νευρωνικών Δικτύων με τη βοήθεια γνωστών μεθόδων, όπως τη μέθοδο όπισθεν διάδοσης σφάλματος (back-propagation), τη μέθοδο adaptive back-propagation, τη momentum back-propagtion και την resilient propagation (RPROP) και τη σύγκριση αυτών. Κατά τη διάρκεια αυτή της εργασίας παρουσιάσαμε τις βασικές αρχιτεκτονικές των Τεχνητών Νευρωνικών Δικτύων και τις διάφορες μεθόδους εκπαίδευσης τους. Μελετήσαμε τις τεχνικές βελτιστοποίησης απόδοσης ενός δικτύου με τη χρήση αλγορίθμων και περιγράψαμε τη γνωστή μέθοδο όπισθεν διάδοσης σφάλματος (back-propagation) αλλά και παραλλαγές αυτής. Τέλος, δώσαμε τα πειραματικά αποτελέσματα από την εκπαίδευση των Τεχνητών Νευρωνικών Δικτύων, με τη βοήθεια των παραπάνω αλγορίθμων, σε πολύ γνωστά και ευρέως χρησιμοποιημένα χαρακτηριστικά προβλήματα πραγματικού κόσμου.
Abstract (translated): The purpose of this thesis is to study and train Artificial Neural Networks with the help of well-known methods, such as the back-propagation method, the adaptive back-propagation method, the momentum back-propagation method and the resilient propagation (RPROP) method, and also to implement a comparison between them. During this project we introduced the basic architectures of Artificial Neural Networks and the various methods for their training. We studied the techniques for optimizing the performance of a network with the use of algorithms and described the well-known back-propagation method but also her variations. Finally, we gave the experimental results from the training of the Neural Networks, with the help of the previous mentioned algorithms, in widely known and commonly used characteristical problems of the real world.
Appears in Collections:Τμήμα Μαθηματικών (ΜΔΕ)

Files in This Item:
File Description SizeFormat 

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.