عنوان پایان‌نامه
استفاده از شبکه های عصبی ضربه ای جهت بازشناسی الگو
- رشته تحصیلی
- علوم کامپیوتر
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس علوم شماره ثبت: 6421;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 78196;کتابخانه پردیس علوم شماره ثبت: 6421;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 78196
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۵
- دانشجو
- نیما محمدی
- استاد راهنما
- محمد گنج تابش
- چکیده
- توانایی خارق‌العاده‌ی مغز در پردازش حجم بالایی از اطلاعات به صورت موازی و ساختار و سازمانش آن را بدون شک به پیچیده‌ترین ارگان شناخته شده در گیتی تبدیل کرده است. با وجود شباهت‌های آناتومی و فیزیولوژی مغز انسان، و با در نظر گرفتن عملکرد پیمانه‌ای مغز، مدارات محلی قشرهای گوناگون مغز تا حد زیادی به صورت تصادفی تشکیل شده است. گواه تشکیل این مدارات تصادفی عدم امکان در بر گرفتن توصیف نجومی اتصالات مغز در ژنوم است که ما را به بررسی امکان‌پذیری مشارکت شبکه‌های تصادفی در پردازش اطلاعات و توانمندی آنها سوق می‌دهد. از این روی در این تحقیق به توانایی بازشناسی الگو با بهره‌گیری از محاسبات انباره‌ای پرداخته می‌شود. ماشین حالت مایع که نمود محاسبات انباره‌ای بر مبنای مکانیسم نورون‌های مغز است اخیرا توجه زیادی را به خود جلب کرده است تا حدی که هم اکنون برای برخی از کاربردهای مهندسی نیز پیشنهاد می‌شود. ماشین‌های حالت مایع محرک ورودی را به فضایی با ابعاد بالاتر نگاشت می‌دهند که به موجب آن تفکیک الگوهای زمانی فضایی را ساده‌تر می‌نمایند؛ همانند چیزی که به موجب کرنل‌ها در ماشین‌های بردار پشتیبانی روی می‌دهد، با این تفاوت که ماشین حالت مایع از نظر زیستی انطباق بیشتری دارد. در این تحقیق با بررسی مکانیسم‌های مختلف اتصالات سیناپسی به واکاوی تاثیر توپولوژی شبکه روی عملکرد ماشین حالت مایع می‌پردازیم. در اینجا ارائه‌ی روش جدیدی برای نمایش حالت فیلتر مایع که به امکان تمایز قابل قبول بین نمونه‌ها بیانجامد ارائه شده است و همچنین معیاری جدید برای سنجش توانایی تفکیک ذاتی ماشین حالت مایع عرضه می‌شود.
- Abstract
- Brain's extraordinary capability to process this tremendous amount of information in a parallel fashion and its sophisticated structure has indeed made it the most complex organ in the universe. Although with no doubt the are distinct regions of brain in terms of anatomy, physiology and behaviourism, and considering the modular function of the brain, a considerable amount of local circuitry in cortex are realized randomly. The inability of genome to contain this massive description of synaptic connections is an evidence for this necessary involvement of randomness and motivates more attention from the academia. This study aims to investigate the potentials of Reservoir Computing for visual pattern recognition. Liquid State Machines, as a form Reservoir Computing based on neural building blocks, have recently gained a lot of attention and is already suggested for some engineering applications. LSMs basically map the input to to a space of higher dimensions and therefore make distinguishing spatiotemporal patterns more feasible; much like what is achieved by kernels in Support Vector Machines, except LSMs are more biologically plausible to this end. Here, various approaches are incorporated to help us investigate the role of network topology on the performance of an LSM. Moreover, a new method for representation of LSMs' internal states which helps to achieve a better discrimination among samples is proposed. We also suggest a new criterion to assess the separation property of an LSM.Keywords: Reservoir Computing,Liquid State Machines, Spiking Neural Networks, Visual Pattern Recognition
