Zastosowanie sztucznych sieci neuronowych do rozpoznawania zapachów z elektronicznego nosa

master
dc.abstract.enThe purpose of this work is the creation of artificial neural network based on HTM algorithms with efficiency comparable to PCA. Using the documentation created by the Numenta Inc. company, the work describes the HTM theory and its implementation in artificial network programmed by Numenta. The HTM was created by Jeff Hawkins and Dileep Georgea and is a theory that aims to recreate the structure and operational processes of the neocortex and is currently one of the leading theories of its field. The objective of the experiment was to create a working network and testing how the effectiveness of data classification fluctuates under various parameters and various forms of training data. Next, PCA was performed on the data using the imDEV software.In this work was described the HTM theory and its significant analogy to biological networks. The HTM is a machine learning model based on the newest neuroscience findings and appears to be a theory that relatively accurately describes the processes of memory, prediction and association that take place in biological networks.The maximum effectiveness of the network is about 100% for training data and 58% for testing data. The PCA classifies data with accuracy 90% and higher. Comparing the experiment results and the relevant literature, it is evident that the effectiveness of neural networks is still inferior to mathematical methods, but a significant progress was achieved nonetheless. The HTM model has a huge potential and capabilities. Artificial neural networks based on new theories become competitive towards currently employed mathematical methods.pl
dc.abstract.plCelem tej pracy jest stworzenie sztucznej sieci neuronowej opartej na algorytmach HTM o efektywności konkutencyjnej do PCA. Posługując się dokumentacją stworzoną przez firmę Numenta Inc. opisano teorię HTM i jej implementację w sieciach zaprogramowanych przez Numenta. HTM została stworzona przez Jeffa Hawkinsa i Dileepa Georgesa i jest toerią dążącą do odtworzenia struktury i zasad działania kory nowej (neokorteks) i aktualnie jest jedną z wiodących teorii w tym temacie. Eksperyment polegał na stworzeniu dobrze działającej sieci i sprawdzeniu jak zmienia się efektywność klasyfikowania danych przy różnych parametrach i przy różnych formach danych treningowych. Następnie wykonano PCA danych pomiarowych z użyciem oprogramowania imDEV. W pracy opisano teorię HTM oraz analogię pomiędzy sztucznymi sieciami opartymi na HTM i sieciami biologicznymi. HTM jest modelem nauczania maszynowego stworzonym na podstawie nowych odkryć neuronauk i wydaje się stosunkowo dobrze opisywać zasady działania procesów pamięci, przewidywania i kojarzenia zachodzących w sieciach biologicznych. Maksymalna osiągnięta efektywność sieci wynosi około 100% dla danych treningowych i 58% dla danych testowych. Natomiast PCA klasyfikuje dane z dokładnością powyżej 90%. Porównując wyniki eksperymentów oraz dane literaturowe jasnym jest, że efektywność sieci neuronowych wciąż odstaje od efektywności metod matematycznych, jednak poczyniono duży postęp. Model sieci HTM posiada bardzo duży potencjał i możliwości. Sztuczne sieci neuronowe oparte na nowych teoriach stają się konkurencyjne względem stosowanych metod matematycznych.pl
dc.affiliationWydział Biochemii, Biofizyki i Biotechnologiipl
dc.areaobszar nauk przyrodniczychpl
dc.contributor.advisorZakrzewski, Jakub - 100023 pl
dc.contributor.authorSzczerba, Danielpl
dc.contributor.departmentbycodeUJK/WBBBpl
dc.contributor.reviewerPasenkiewicz-Gierula, Marta - 131288 pl
dc.contributor.reviewerZakrzewski, Jakub - 100023 pl
dc.date.accessioned2020-07-24T09:02:18Z
dc.date.available2020-07-24T09:02:18Z
dc.date.submitted2012-06-29pl
dc.fieldofstudybiofizykapl
dc.identifier.apddiploma-67633-61434pl
dc.identifier.projectAPD / Opl
dc.identifier.urihttps://ruj.uj.edu.pl/xmlui/handle/item/181039
dc.languagepolpl
dc.subject.enartificial neural network, principal component analysis, electronic nose, HTM, PCApl
dc.subject.plsztuczne sieci neuronowe, HTM, PCA, analiza głównych składowych, elektroniczny nos, hierarchical temporal memorypl
dc.titleZastosowanie sztucznych sieci neuronowych do rozpoznawania zapachów z elektronicznego nosapl
dc.title.alternativeApplication of artificial neural network to recognize odour from electronic nosepl
dc.typemasterpl
dspace.entity.typePublication
dc.abstract.enpl
The purpose of this work is the creation of artificial neural network based on HTM algorithms with efficiency comparable to PCA. Using the documentation created by the Numenta Inc. company, the work describes the HTM theory and its implementation in artificial network programmed by Numenta. The HTM was created by Jeff Hawkins and Dileep Georgea and is a theory that aims to recreate the structure and operational processes of the neocortex and is currently one of the leading theories of its field. The objective of the experiment was to create a working network and testing how the effectiveness of data classification fluctuates under various parameters and various forms of training data. Next, PCA was performed on the data using the imDEV software.In this work was described the HTM theory and its significant analogy to biological networks. The HTM is a machine learning model based on the newest neuroscience findings and appears to be a theory that relatively accurately describes the processes of memory, prediction and association that take place in biological networks.The maximum effectiveness of the network is about 100% for training data and 58% for testing data. The PCA classifies data with accuracy 90% and higher. Comparing the experiment results and the relevant literature, it is evident that the effectiveness of neural networks is still inferior to mathematical methods, but a significant progress was achieved nonetheless. The HTM model has a huge potential and capabilities. Artificial neural networks based on new theories become competitive towards currently employed mathematical methods.
dc.abstract.plpl
Celem tej pracy jest stworzenie sztucznej sieci neuronowej opartej na algorytmach HTM o efektywności konkutencyjnej do PCA. Posługując się dokumentacją stworzoną przez firmę Numenta Inc. opisano teorię HTM i jej implementację w sieciach zaprogramowanych przez Numenta. HTM została stworzona przez Jeffa Hawkinsa i Dileepa Georgesa i jest toerią dążącą do odtworzenia struktury i zasad działania kory nowej (neokorteks) i aktualnie jest jedną z wiodących teorii w tym temacie. Eksperyment polegał na stworzeniu dobrze działającej sieci i sprawdzeniu jak zmienia się efektywność klasyfikowania danych przy różnych parametrach i przy różnych formach danych treningowych. Następnie wykonano PCA danych pomiarowych z użyciem oprogramowania imDEV. W pracy opisano teorię HTM oraz analogię pomiędzy sztucznymi sieciami opartymi na HTM i sieciami biologicznymi. HTM jest modelem nauczania maszynowego stworzonym na podstawie nowych odkryć neuronauk i wydaje się stosunkowo dobrze opisywać zasady działania procesów pamięci, przewidywania i kojarzenia zachodzących w sieciach biologicznych. Maksymalna osiągnięta efektywność sieci wynosi około 100% dla danych treningowych i 58% dla danych testowych. Natomiast PCA klasyfikuje dane z dokładnością powyżej 90%. Porównując wyniki eksperymentów oraz dane literaturowe jasnym jest, że efektywność sieci neuronowych wciąż odstaje od efektywności metod matematycznych, jednak poczyniono duży postęp. Model sieci HTM posiada bardzo duży potencjał i możliwości. Sztuczne sieci neuronowe oparte na nowych teoriach stają się konkurencyjne względem stosowanych metod matematycznych.
dc.affiliationpl
Wydział Biochemii, Biofizyki i Biotechnologii
dc.areapl
obszar nauk przyrodniczych
dc.contributor.advisorpl
Zakrzewski, Jakub - 100023
dc.contributor.authorpl
Szczerba, Daniel
dc.contributor.departmentbycodepl
UJK/WBBB
dc.contributor.reviewerpl
Pasenkiewicz-Gierula, Marta - 131288
dc.contributor.reviewerpl
Zakrzewski, Jakub - 100023
dc.date.accessioned
2020-07-24T09:02:18Z
dc.date.available
2020-07-24T09:02:18Z
dc.date.submittedpl
2012-06-29
dc.fieldofstudypl
biofizyka
dc.identifier.apdpl
diploma-67633-61434
dc.identifier.projectpl
APD / O
dc.identifier.uri
https://ruj.uj.edu.pl/xmlui/handle/item/181039
dc.languagepl
pol
dc.subject.enpl
artificial neural network, principal component analysis, electronic nose, HTM, PCA
dc.subject.plpl
sztuczne sieci neuronowe, HTM, PCA, analiza głównych składowych, elektroniczny nos, hierarchical temporal memory
dc.titlepl
Zastosowanie sztucznych sieci neuronowych do rozpoznawania zapachów z elektronicznego nosa
dc.title.alternativepl
Application of artificial neural network to recognize odour from electronic nose
dc.typepl
master
dspace.entity.type
Publication
Affiliations

* The migration of download and view statistics prior to the date of April 8, 2024 is in progress.

Views
10
Views per month
Views per city
Dublin
2
Wroclaw
2
Bydgoszcz
1
Katowice
1
Legnica
1
The Bronx
1
Warsaw
1
Zawiercie
1

No access

No Thumbnail Available