dc.contributor.advisor | Šíma, Jiří | |
dc.creator | Hošek, Lukáš | |
dc.date.accessioned | 2017-04-27T04:16:08Z | |
dc.date.available | 2017-04-27T04:16:08Z | |
dc.date.issued | 2010 | |
dc.identifier.uri | http://hdl.handle.net/20.500.11956/34225 | |
dc.description.abstract | Sítě pulzních (spiking) neuronů představují biologicky více plausibilní alter-nativu k perceptronovým sítím mající velký potenciál pro zpracování časových řad. Nicméně doposud pro ně nebyl znám prakticky použitelný učící algoritmus. SpikeProp založený na gradientní metodě a jeho modifikace mají problém s principiální nespojitostí vzniku a zániku pulsů. Tuto otázku se snaží vyřešit nový netriviální gradientní učící algoritmus pro model hladce pulzních neuronů. Cílem práce je implementace a testování tohoto modelu a případné navržení jeho dalších vylepšení. | cs_CZ |
dc.description.abstract | Networks of spiking neurons present a biologically more plausible alternative to perceptron networks, having great potential for processing time series. However, as of now, no practically usable learning algorithm has been known. SpikeProp, based on a gradient descent method, and its modifications have a fundamental problem with dis-continuity of spike creation and deletion. A new nontrivial gradient learning algorithm for a model of smoothly spiking neurons is proposed as a possible way to solve this problem. The goal of this work is to implement and test this model and eventually propose further improvements. | en_US |
dc.language | Čeština | cs_CZ |
dc.language.iso | cs_CZ | |
dc.publisher | Univerzita Karlova, Matematicko-fyzikální fakulta | cs_CZ |
dc.title | Gradientní učení pro sítě hladce pulzních neuronů | cs_CZ |
dc.type | diplomová práce | cs_CZ |
dcterms.created | 2010 | |
dcterms.dateAccepted | 2010-09-13 | |
dc.description.department | Department of Software Engineering | en_US |
dc.description.department | Katedra softwarového inženýrství | cs_CZ |
dc.description.faculty | Faculty of Mathematics and Physics | en_US |
dc.description.faculty | Matematicko-fyzikální fakulta | cs_CZ |
dc.identifier.repId | 49102 | |
dc.title.translated | Gradient learning for networks of smoothly pulse neurons | en_US |
dc.contributor.referee | Petříčková, Zuzana | |
dc.identifier.aleph | 001389702 | |
thesis.degree.name | Mgr. | |
thesis.degree.level | navazující magisterské | cs_CZ |
thesis.degree.discipline | Theoretical Computer Science | en_US |
thesis.degree.discipline | Teoretická informatika | cs_CZ |
thesis.degree.program | Computer Science | en_US |
thesis.degree.program | Informatika | cs_CZ |
uk.thesis.type | diplomová práce | cs_CZ |
uk.taxonomy.organization-cs | Matematicko-fyzikální fakulta::Katedra softwarového inženýrství | cs_CZ |
uk.taxonomy.organization-en | Faculty of Mathematics and Physics::Department of Software Engineering | en_US |
uk.faculty-name.cs | Matematicko-fyzikální fakulta | cs_CZ |
uk.faculty-name.en | Faculty of Mathematics and Physics | en_US |
uk.faculty-abbr.cs | MFF | cs_CZ |
uk.degree-discipline.cs | Teoretická informatika | cs_CZ |
uk.degree-discipline.en | Theoretical Computer Science | en_US |
uk.degree-program.cs | Informatika | cs_CZ |
uk.degree-program.en | Computer Science | en_US |
thesis.grade.cs | Velmi dobře | cs_CZ |
thesis.grade.en | Very good | en_US |
uk.abstract.cs | Sítě pulzních (spiking) neuronů představují biologicky více plausibilní alter-nativu k perceptronovým sítím mající velký potenciál pro zpracování časových řad. Nicméně doposud pro ně nebyl znám prakticky použitelný učící algoritmus. SpikeProp založený na gradientní metodě a jeho modifikace mají problém s principiální nespojitostí vzniku a zániku pulsů. Tuto otázku se snaží vyřešit nový netriviální gradientní učící algoritmus pro model hladce pulzních neuronů. Cílem práce je implementace a testování tohoto modelu a případné navržení jeho dalších vylepšení. | cs_CZ |
uk.abstract.en | Networks of spiking neurons present a biologically more plausible alternative to perceptron networks, having great potential for processing time series. However, as of now, no practically usable learning algorithm has been known. SpikeProp, based on a gradient descent method, and its modifications have a fundamental problem with dis-continuity of spike creation and deletion. A new nontrivial gradient learning algorithm for a model of smoothly spiking neurons is proposed as a possible way to solve this problem. The goal of this work is to implement and test this model and eventually propose further improvements. | en_US |
uk.publication.place | Praha | cs_CZ |
uk.grantor | Univerzita Karlova, Matematicko-fyzikální fakulta, Katedra softwarového inženýrství | cs_CZ |
dc.identifier.lisID | 990013897020106986 | |