Zobrazit minimální záznam

Neural Networks and Genetic Algorithm

dc.contributor.advisorZbořil, Františekcs
dc.contributor.authorKarásek, Štěpáncs
dc.date.accessioned2018-10-29T12:59:22Z
dc.date.available2018-10-29T12:59:22Z
dc.date.created2016cs
dc.identifier.citationKARÁSEK, Š. Neuronové sítě a genetické algoritmy [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2016.cs
dc.identifier.other96179cs
dc.identifier.urihttp://hdl.handle.net/11012/61862
dc.description.abstractTato práce se zabývá evolučními a genetickými algoritmy a jejich možnou spoluprací při tvorbě a učení neuronových sítí. V teoretické části jsou popsány genetické algoritmy a neuronové sítě. Také jsou popsány možnosti jejich kombinace a je proveden přehled existujících algoritmů. V praktické části je popsána implementace algoritmu NEAT. Dále jsou s algoritmem NEAT provedeny experimenty a na základě jejich výsledků je navrhnuta kombinace algoritmu s diferenciální evolucí. Výsledky kombinace algoritmů jsou zhodnoceny. V závěru je algoritmus NEAT porovnán s klasickými učícími metodami backpropagation (pro dopředné neuronové sítě) a backpropagation through time (pro rekurentní neuronové sítě) a to z hledika rychlosti učení, kvality odezvy sítě i jejich závislosti na velikosti sítě.cs
dc.description.abstractThis thesis deals with evolutionary and genetic algorithms and the possible ways of combining them. The theoretical part of the thesis describes genetic algorithms and neural networks. In addition, the possible combinations and existing algorithms are presented. The practical part of this thesis describes the implementation of the algorithm NEAT and the experiments performed. A combination with differential evolution is proposed and tested. Lastly, NEAT is compared to the algorithms backpropagation (for feed-forward neural networks) and backpropagation through time (for recurrent neural networks), which are used for learning neural networks. Comparison is aimed at learning speed, network response quality and their dependence on network size.en
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta informačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectEvoluční algoritmycs
dc.subjectgenetické algoritmycs
dc.subjectneuronové sítěcs
dc.subjectneuroevolucecs
dc.subjectNEATcs
dc.subjectdiferenciální evoluce.cs
dc.subjectEvolutionary algorithmsen
dc.subjectgenetic algorithmsen
dc.subjectneural networksen
dc.subjectneuroevolutionen
dc.subjectNEATen
dc.subjectdifferential evolution.en
dc.titleNeuronové sítě a genetické algoritmycs
dc.title.alternativeNeural Networks and Genetic Algorithmen
dc.typeTextcs
dcterms.dateAccepted2016-06-17cs
dcterms.modified2016-07-08-09:35:39cs
thesis.disciplineInteligentní systémycs
thesis.grantorVysoké učení technické v Brně. Fakulta informačních technologií. Ústav inteligentních systémůcs
thesis.levelInženýrskýcs
thesis.nameIng.cs
sync.item.dbid96179en
sync.item.dbtypeZPen
sync.item.insts2018.11.02 04:56:22en
sync.item.modts2018.10.22 18:21:05en
dc.contributor.refereeSnášelová, Petracs
dc.description.markAcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs


Soubory tohoto záznamu

Thumbnail
Thumbnail

Tento záznam se objevuje v následujících kolekcích

Zobrazit minimální záznam