Τα Τεχνητά Νευρωνικά Δίκτυα είναι μια επιστημονική περιοχή η οποία έχει αναπτυχθεί κατά τις τελευταίες δεκαετίες και επικαλύπτει όλες σχεδόν τις θετικές επιστήμες και την μηχανολογία. Τα Νευρωνικά Δίκτυα αποτελούνται από ένα σύνολο απλών, διασυνδεδεμένων και προσαρμοστικών μονάδων οι οποίες δημιουργούν ένα παράλληλο και πολύπλοκο υπολογιστικό μοντέλο. Στην ουσία είναι προγράμματα που υλοποιούνται στους ηλεκτρονικούς υπολογιστές. Μέχρι σήμερα έχουν χρησιμοποιηθεί σε πολλές εφαρμογές και σε προβλήματα που οι γνωστοί τρόποι αντιμετώπισής τους παρουσιάζουν δυσκολίες, με αποτέλεσμα την αναγκαιότητα των Τεχνητών Νευρωνικών Δικτύων.
Η εργασία αυτή αποτελείται από έξι κεφάλαια. Στο πρώτο κεφάλαιο κάνουμε μια εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα. Αναφέρουμε τις βασικές αρχές τους και την αντιστοιχία τους με τα βιολογικά δίκτυα. Το δεύτερο κεφάλαιο ασχολείται με το δίκτυο Perceptron. Ξεκινάμε με το πιο απλό μοντέλο, τον αισθητήρα και συνεχίζουμε με τα πολυεπίπεδα Νευρωνικά Δίκτυα Perceptron. Αναφέρουμε δύο μεθόδους εκπαίδευσης, τη μέθοδο οπισθοδιάδοσης του λάθους και τον κανόνα Δέλτα. Στο τρίτο κεφάλαιο μελετάμε άλλα είδη δικτύων, όπως τα αναδρομικά δίκτυα, το δίκτυο Hopfield, το δίκτυο SOM και το δίκτυο RBF. Το τέταρτο κεφάλαιο αναφέρεται στον νευρωνικό έλεγχο και στις αρχιτεκτονικές των νευρωνικών ελεγκτών. Στο πέμπτο κεφάλαιο εξετάζουμε κάποιες συγκεκριμένες εφαρμογές των Τεχνητών Νευρωνικών Δικτύων σε διάφορα συστήματα ελέγχου. Στο έκτο κεφάλαιο αναφέρουμε τα συμπεράσματα καθώς και μελλοντικές επεκτάσεις των ΤΝΔ. / Artificial Neural Networks are a research area which has developed over the past decades. Neural Networks consist of a set of simple, interconnected and adaptive plants that create a parallel and complex computational model. They are essentially programs implemented in computers. They have been used in many applications and problems that are very difficult to be solved otherwise.
This work consists of six chapters. In the first chapter we make an introduction to Artificial Neural Networks. We mention the basic principles and their correlation with biological networks. The second chapter deals with the network Perceptron. We start with the simplest model, the sensor and continue with the multilayer Neural Network Perceptron. We mention two training methods, the method of error back-propagation and delta rule. In the third chapter we consider other types of networks such as the recurrent networks, Hopfield network, the network SOM and the RBF network. The fourth chapter deals with the neural control and the architectures of neural controllers. In the fifth chapter we examine some specific applications of Artificial Neural Networks in several control systems. The sixth chapter refers to the conclusions of this work and future evolution of ANN.
| Identifer | oai:union.ndltd.org:upatras.gr/oai:nemertes:10889/6401 |
| Date | 13 October 2013 |
| Creators | Θεοδόση - Κόκκινου, Λάουρα |
| Contributors | Γρουμπός, Πέτρος, Theodosi - Kokkinou, Laoura, Γρουμπός, Πέτρος, Μουστακίδης, Γεώργιος |
| Source Sets | University of Patras |
| Language | gr |
| Detected Language | Greek |
| Type | Thesis |
| Rights | 12 |
Page generated in 0.0016 seconds