Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/37632Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Παππάς, Δημήτριος | el |
| dc.date.accessioned | 2024-05-16T06:57:54Z | - |
| dc.date.available | 2024-05-16T06:57:54Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/37632 | - |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.17340 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Δίκτυα | el |
| dc.subject | Αλγόριθμοι | el |
| dc.title | Κατασκευαζόμενα τεχνητά νευρωτικά δίκτυα | el |
| heal.type | bachelorThesis | - |
| heal.type.en | Bachelor thesis | en |
| heal.type.el | Προπτυχιακή/Διπλωματική εργασία | el |
| heal.classification | Νευρωτικά δίκτυα | - |
| heal.classification | Αλγόριθμοι | - |
| heal.dateAvailable | 2024-05-16T06:58:54Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.publicationDate | 2024 | - |
| heal.bibliographicCitation | Βιβλιογραφία: 47 - 52 | el |
| heal.abstract | Αντικείμενο της παρούσας πτυχιακής εργασίας είναι η παρουσίαση μίας νέας μεθόδου κατασκευής τεχνητού νευρωνικού δικτύου, στο οποίο χρησιμοποιήθηκαν τεχνικές γενετικών αλγορίθμων με σκοπό την κατασκευή, αλλά και την βελτιστοποίηση του νευρωνικού δικτύου. Συγκεκριμένα στην παρούσα πτυχιακή θα σας παρουσιάσουμε το πρόγραμμα Neural Network Constructor ή για συντομία NNC, γραμμένο σε γλώσσα προγραμματισμού ANSI C++ που στοχεύει στην επίλυση διαφορικών εξισώσεων και στην ταξινόμηση δεδομένων, και δοκιμάστηκαν διάφοροι γνωστοί αλγόριθμοι τοπικής ελαχιστοποίησης πάνω σε αυτό, με τελικό στόχο την εξαγωγή της καλύτερης μεθόδου. Η δομή της πτυχιακής εργασίας θα είναι χωρισμένη σε τέσσερις ενότητες. Ξεκινώντας με τις βασικές έννοιες που χρησιμοποιούνται στον τομέα των νευρωνικών δικτύων, όπως η ταξινόμηση και κατηγοριοποίηση των δεδομένων, η μάθηση και βελτιστοποίηση συναρτήσεων, καθώς και τον βασικό σκοπό της εργασίας. Στην συνέχεια θα γίνει αναφορά στα τεχνητά νευρωνικά δίκτυα, όπως και στα δίκτυα Perceptron, Adaline, Multilayer Perceptron και στις διάφορες μεθόδους βελτιστοποίησης που χρησιμοποιήθηκαν κατά την υλοποίηση της εργασίας και πιο συγκεκριμένα στις μεθόδους ADAM και RPROP, καθώς και σε παραδείγματα από την καθημερινότητα μας, όπου χρησιμοποιούνται τα νευρωνικά δίκτυα για την επίλυση διάφορων προβλημάτων. Συνεχίζοντας με αναφορά στους Γενετικούς αλγορίθμους, στην Γραμματική εξέλιξη, και στις εφαρμογές που έχουν πάνω στον τομέα των νευρωνικών δικτύων και θα ολοκληρώσουμε με την ανάλυση του προτεινόμενου αλγορίθμου NNC, καθώς και την ανάλυση και μελέτη των τελικών πειραματικών αποτελεσμάτων και θα αναφέρουμε τα τελικά συμπεράσματα της έρευνας. | el |
| heal.abstract | The subject of this thesis is the presentation of a new method for constructing an artificial neural network, in which genetic algorithm techniques were used for both construction and optimization of the neural network. Specifically, in this thesis, we will introduce the program Neural Network Constructor, abbreviated as NNC, written in ANSI C++ programming language, which aims to solve differential equations and classify data. Various well-known local optimization algorithms were tested on it, with the ultimate goal of deriving the best method. The structure of the thesis will be divided into four sections. Starting with the basic concepts used in the field of neural networks, such as data classification and categorization, learning, and function optimization, as well as the main purpose of the work. Next, there will be a reference to artificial neural networks, such as Perceptron, Adaline, Multilayer Perceptron networks, and the various optimization methods used in the implementation of the work, specifically the ADAM and RPROP methods, as well as examples from our daily lives where neural networks are used to solve various problems. Continuing with a reference to Genetic Algorithms, Grammatical Evolution, and the applications they have in the field of neural networks, and we will conclude with the analysis of the proposed NNC algorithm, as well as the analysis and study of the final experimental results, and we will report the final conclusions of the research. | en |
| heal.advisorName | Τσούλος, Ιωάννης | el |
| heal.committeeMemberName | Τζάλλας, Αλέξανδρος | el |
| heal.committeeMemberName | Χαριλόγης, Βασίλειος | el |
| heal.academicPublisher | Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.academicPublisherID | uoi | - |
| heal.numberOfPages | 52 σ. | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Προπτυχιακές εργασίες Τμ. Μηχανικών Πληροφορικής Τ.Ε. | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| ΠΑΠΠΑΣ_ΔΗΜΗΤΡΙΟΣ_ΑΜ1539.pdf | 1.84 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
