Vyhodnocování elektrochemických signálů neuronovou sítí
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Automatizovaná elektrochemická měření jsou zdrojem velkého množství dat určených k následnému vyhodnocování. Tato práce se zabývá problémem zpracování, klasifikace a vyhodnocování elektrochemických signálů pomocí neuronových sítí. Kvůli vysoké dimenzionalitě analyzovaných dat je v této práci využita autoasociativní neuronová síť (AANN). Tento typ sítě provádí redukci dimenzionality filtrováním analyzovaných dat a extrahuje relativně nízký počet význačných parametrů na výstupu svého krčku. Pomocí extrahovaných parametrů je možné provést klasifikaci, vyhodnocení a násleně modelovat analyzovaný experiment díky rekonstrukční části naučené sítě. Dále se tato práce zabývá implementací dopředných neuronových sítí v jazyku OpenCL.
Automatical electrochemical measurements are sources of large data sets intended for further analysis. This work deals with classification, evaluation and processing of electrochemical signals using artificial neural networks. Due to high dimensionality of input data, an autoassociative neural network (AANN) is used in this work. This type of network performs dimensionality reduction via filtering the input data into relatively small number of principal parameters at the bottleneck output. These extracted parameters can be used for classification, evaluation and additional modelling of analyzed data trough the reconstructive part of this network. Furthermore, this work deals with implementation of a feedforward neural network in OpenCL language.
Automatical electrochemical measurements are sources of large data sets intended for further analysis. This work deals with classification, evaluation and processing of electrochemical signals using artificial neural networks. Due to high dimensionality of input data, an autoassociative neural network (AANN) is used in this work. This type of network performs dimensionality reduction via filtering the input data into relatively small number of principal parameters at the bottleneck output. These extracted parameters can be used for classification, evaluation and additional modelling of analyzed data trough the reconstructive part of this network. Furthermore, this work deals with implementation of a feedforward neural network in OpenCL language.
Description
Citation
ŠÍLENÝ, J. Vyhodnocování elektrochemických signálů neuronovou sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2011.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Mikroelektronika
Comittee
prof. Ing. Vladislav Musil, CSc. (předseda)
doc. Ing. Pavel Legát, CSc. (místopředseda)
prof. Ing. Lubomír Hudec, DrSc. (člen)
RNDr. Ladislav Mareček, CSc. (člen)
doc. Ing. Jaromír Hubálek, Ph.D. (člen)
Date of acceptance
2011-06-08
Defence
Student Bc. Jan Šílený seznámil komisi se svoji diplomovou prací na téma: Vyhodnocování elektrochemických signálů neuronovou sítí
Odpověděl na otázky oponenta - 1.) Při popisu učení neuronových sítí uvádíte, až na jednu výjimku, dobu ve dnech. Samotné učení je však velmi závislé na výpočetním výkonu počítače, který provádí simulaci. Můžete uvést počet vývojových epoch nutných k výuce jednotlivých sítí?
2.) Stručně popište celý proces vyhodnocení měřené látky od měření senzorem až po vyhodnocení parametrů neuronovou síti. Jakým způsobem je kvantifikován výsledek?
Dále proběhla krátká rozprava k tématu diplomové práce.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení