Gradientmetoder för artificiellaneurala nätverk

Gradientmetoder för artificiellaneurala nätverk

Arbetet syftar sig i att implementera flertalet optimeringsmetoder i ett egetskapatartificiellt feedforward Neuralt Nätverk (med hjälp av MATLAB),där vi vill jämföra och utforska en ny optimeringsmetod DFPM mot redankända välfungerande optimeringsmetoder för artificiella feed forward NeuralaNätverk....

Full description

Bibliographic Details
Main Authors: Leu, Andreas, Rönning, Daniel
Format: Others
Language:Swedish
Published: Örebro universitet, Institutionen för naturvetenskap och teknik 2021
Subjects:
Mathematics
Matematik
Online Access:http://urn.kb.se/resolve?urn=urn:nbn:se:oru:diva-94320
id ndltd-UPSALLA1-oai-DiVA.org-oru-94320
record_format oai_dc
spelling ndltd-UPSALLA1-oai-DiVA.org-oru-943202021-09-15T05:23:14ZGradientmetoder för artificiellaneurala nätverksweLeu, AndreasRönning, DanielÖrebro universitet, Institutionen för naturvetenskap och teknik2021MathematicsMatematikArbetet syftar sig i att implementera flertalet optimeringsmetoder i ett egetskapatartificiellt feedforward Neuralt Nätverk (med hjälp av MATLAB),där vi vill jämföra och utforska en ny optimeringsmetod DFPM mot redankända välfungerande optimeringsmetoder för artificiella feed forward NeuralaNätverk. Då DFPM är välfungerande i dämpade dynamiska system föratt lösa ekvationer och optimeringsproblem, vill vi utforska om DFPM kanvisa sig vara användningsbar föt artificiella feedforward neurala nätverk.I stort består uppsatsen av tre sektioner, där vi går igenom den matematiskaformuleringen hur ett Neuralt Nätverk är uppbyggt från grunden, teoriom de gradientmetoderna metoderna vi använder i våra simuleringar samtresultat från de test vi gjort genom illustration i form av tabeller och grafer.Där det huvudsakliga intresset ligger i att utforska DFPM’s konvergensegenskaper. Student thesisinfo:eu-repo/semantics/bachelorThesistexthttp://urn.kb.se/resolve?urn=urn:nbn:se:oru:diva-94320application/pdfinfo:eu-repo/semantics/openAccess
collection NDLTD
language Swedish
format Others
sources NDLTD
topic Mathematics
Matematik
spellingShingle Mathematics
Matematik
Leu, Andreas
Rönning, Daniel
Gradientmetoder för artificiellaneurala nätverk
description Arbetet syftar sig i att implementera flertalet optimeringsmetoder i ett egetskapatartificiellt feedforward Neuralt Nätverk (med hjälp av MATLAB),där vi vill jämföra och utforska en ny optimeringsmetod DFPM mot redankända välfungerande optimeringsmetoder för artificiella feed forward NeuralaNätverk. Då DFPM är välfungerande i dämpade dynamiska system föratt lösa ekvationer och optimeringsproblem, vill vi utforska om DFPM kanvisa sig vara användningsbar föt artificiella feedforward neurala nätverk.I stort består uppsatsen av tre sektioner, där vi går igenom den matematiskaformuleringen hur ett Neuralt Nätverk är uppbyggt från grunden, teoriom de gradientmetoderna metoderna vi använder i våra simuleringar samtresultat från de test vi gjort genom illustration i form av tabeller och grafer.Där det huvudsakliga intresset ligger i att utforska DFPM’s konvergensegenskaper.
author Leu, Andreas
Rönning, Daniel
author_facet Leu, Andreas
Rönning, Daniel
author_sort Leu, Andreas
title Gradientmetoder för artificiellaneurala nätverk
title_short Gradientmetoder för artificiellaneurala nätverk
title_full Gradientmetoder för artificiellaneurala nätverk
title_fullStr Gradientmetoder för artificiellaneurala nätverk
title_full_unstemmed Gradientmetoder för artificiellaneurala nätverk
title_sort gradientmetoder för artificiellaneurala nätverk
publisher Örebro universitet, Institutionen för naturvetenskap och teknik
publishDate 2021
url http://urn.kb.se/resolve?urn=urn:nbn:se:oru:diva-94320
work_keys_str_mv AT leuandreas gradientmetoderforartificiellaneuralanatverk
AT ronningdaniel gradientmetoderforartificiellaneuralanatverk
_version_ 1719480837819334656

Similar Items