Dinamikus neuronhálók vizsgálata

OData támogatás
Konzulens:
Dr. Horváth Gábor
Méréstechnika és Információs Rendszerek Tanszék

A szakdolgozatomban összehasonlítottam a gyakrabban használt dinamikus neurális hálók architektúráját, működését, képességeit. Néhány benchmark feladat alapján, nevezetesen a Mackey-Glass, Hénon map, Ikeda map és Napfolt probléma, megpróbáltam következtetéseket levonni a különböző hálók tanulási sebességeiről és memóriaigényeiről. Megpróbáltam összehasonlítani a túltanulási és alultanulási hajlamok szempontjából is a hálókat. Először bemutattam néhány statikus hálót, majd azok dinamikus kiterjesztését, amelyeket használok a feladatok megoldására. Ezek a FIR-MLP, FIR-RBF, FIR-CMAC és NOE-MLP. Áttekintettem a dinamikus kiterjesztések fontosabb osztályait. Ezek az NFIR, NARX és NOE osztályok. Valamint bemutattam a tanító módszereket, amelyek alkalmasak dinamikus, visszacsatolt hálózatok tanítására is: a BPTT és az RTLR algoritmusokat. Bemutattam a saját FIR-RBF implementációmat is amit a feladatokban használtam. A szakdolgozatom végén pedig összefoglaltam a lemért tanulási időket és az elért négyzetes hibákat.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.