Performance analysis of convolutional spiking neural networks compared with ordinary convolutional neural networks
CNN ile evrişimsel iğnecikli sinir ağlarının karşılaştırılması ve performans analizi
- Tez No: 842280
- Danışmanlar: DR. ÖĞR. ÜYESİ BARBAROS PREVEZE
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Çankaya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son on yılda, Yapay Sinir Ağı (YSA) modelleri, beyin dinamiklerini kopyalayarak karmaşık sınıflandırma ve örüntü tanıma problemlerini çözmedeki etkinlikleri nedeniyle giderek daha popüler hale geldi. En güçlü örüntü tanıma teknikleri arasında, ikinci nesil yapay ağları temsil eden Konvolüsyonel Sinir Ağları bulunmaktadır. Zamanla, Spiking Neural Networks (SNN'ler) dahil olmak üzere yapay sinir ağlarının daha verimli ve biyolojik olarak benzer versiyonları geliştirilmiştir. SNN'ler, bilginin biyolojik nöronlarda ani yükselmelerin kesin zamanlaması yoluyla aktarılma şeklini yansıtmak için son yıllarda geliştirilen sivri uçlu nöronlardan oluşur. Bu ağlarda öğrenmeyi hızlandırmak için yeni öğrenme yöntemleri de oluşturulmuştur. SNN'ler, insan sinir ağlarının nasıl çalıştığına dair yeni bir bakış açısı sunar ve yerleşik dinamik temsilleri nedeniyle daha karmaşık sinir ağlarının güçlü temsillerine yol açabilir. Zamana bağlı verilerle çalışmak için büyük potansiyele sahiptirler. Üçüncü nesil sinir ağları olarak derin öğrenme modellerinin etkinliğini ve sınırlamalarını değerlendirmek için bu tez çalışması, SNN'lerin CNN'lerle birleştirildiğinde yapay nöronların performansını incelemektedir. Daha fazla yönü kapsayacak şekilde, adil bir analiz sağlamak için aynı parametrelere ve ölçümlere sahip sıradan CNN'lerin yanı sıra hem zamana bağlı hem de statik veri kümelerinde Evrişimli Artan Sinir Ağları (CSNN'ler) kullanılmıştır. Literatürdeki diğer sınıflandırma projelerine kıyasla hala kabul edilebilir olan bazı dinamik veri kümeleri dışında hem eğitim hem de test kümeleri için yaklaşık %90'lık (%96'ya varan) doğruluk oranlarıyla her bir veri kümesi için umut verici sonuçlara ulaşılmıştır.
Özet (Çeviri)
Over the past decade, Artificial Neural Network (ANN) models have become increasingly popular due to their effectiveness in solving complex classification and pattern recognition problems by replicating brain dynamics. Convolutional Neural Networks (CNNs) are a powerful pattern recognition tool that represents the second generation of artificial networks. Over time, more efficient and biologically similar versions of ANNs have been developed, including Spiking Neural Networks (SNNs). SNNs consist of spiking neurons that simulate biological neurons by transmitting information through the exact timing. There have been recent advancements in learning methods designed to accelerate learning processes within these networks. The SNNs offer a fresh perspective on how human neural networks function and may lead to powerful representations of more complex neural networks due to their built-in dynamic representation. They have great potential for working with time-dependent data. To evaluate the performance of spiking neurons and SNNs combined with CNNs, this thesis examines the effectiveness and limitations of deep learning models as the third generation of neural networks. To cover more aspects, Convolutional Spiking Neural Networks (CSNNs) have been used on both time-dependent and static datasets, along with ordinary CNNs with the same parameters and metrics to ensure a fair analysis. Promising results have been achieved for each dataset, with accuracy rates of around 90% (reaching up to 96% accuracy rate) for both training and test sets, except for some dynamic datasets, which is still acceptable compared to other classification projects in the literature.
Benzer Tezler
- Performance and computational analysis of polarization-adjusted convolutional (PAC) codes
Kutupsal ve polarizayson ayarlı evrişimli (PAC) kodlarının performans ve hesaplama analizi
MOHSEN MORADI
Doktora
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERDAL ARIKAN
- Design of reed-solomon and convolutional coded OFDM system and performance analysis
Reed-solomon ve konvolüsyonel kodlu dikgen frekans bölmeli çoğullama (OFDM) sisteminin tasarımı ve performans analizi
UFUK BAL
Yüksek Lisans
İngilizce
2003
Elektrik ve Elektronik MühendisliğiIşık ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERDAL PANAYIRCI
- Yüksek frekans kanalda uç uca eklemeli BCH ve evrişimsel kodlu OFDM sisteminin performans analizi
Performance analysis of concatenated BCH and convolutional coded OFDM system over high frequency channel
OZAN YAVAŞOĞLU
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURSEL AKÇAM
- Kablosuz iletişimde kullanılan katlamalı kodlama tekniklerinin karşılaştırmalı başarım analizi
Comparative performance analysis of convolutional coding techniques for wireless communications
ALİ ÇALHAN
Yüksek Lisans
Türkçe
2006
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiElektronik ve Bilgisayar Eğitimi Ana Bilim Dalı
Y.DOÇ.DR. CELAL ÇEKEN
- Elektronik devre elemanlarının evrişimli sinir ağı ile sınıflandırılması ve farklı gürültü seviyelerinde performans analizi
Classification of electronic circuit components with convolutional neural network and performance analysis at different noise levels
KADIR AHMED DJAMA
Yüksek Lisans
Türkçe
2024
Mekatronik MühendisliğiKarabük ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞAFAK ALTAY AÇAR