یادگیری در شبکه های عصبی ضربه با استفاده از روش فرم پذیری وابسته یه زمان ضربه برای بازنمایی بافت
Title Proper
Learning by Spike-Timing-Dependent Plasticity on Spiking Neural Networks for Texture Representation
.PUBLICATION, DISTRIBUTION, ETC
Place of Publication, Distribution, etc.
تهران
PHYSICAL DESCRIPTION
Other Physical Details
۹۳۱ ص.
NOTES PERTAINING TO TITLE AND STATEMENT OF RESPONSIBILITY
Text of Note
محمد تشنه لب
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Body granting the degree
صنعتی خواجه نصیرالدین طوسی
Date of degree
۱۳۹۳
Discipline of degree
هوش مصنوعی
SUMMARY OR ABSTRACT
Text of Note
انجام محاسبات مربوط به بازنمایی بافت در مغز بیشتر بر عهده دو ناحیه 1V و 2V قشر بینایی میباشد. مدل محاسباتی پورتیلا و سیمونسلی در این راستا برای مدلسازی کارکرد این دو بخش معرفی شده است. اما در این مدل تلاشی برای تاثیر رفتار نرونها در امر انجام محاسبات صورت نگرفته است. امروزه تلاشهای موفقی برای مدلسازی رفتار و یادگیری نرونهای در سطوح پایین انجام شده است. همچنین شبیهسازهای قدرتمندی را میتوان یافت که قادر به شبیهسازی شبکههای عصبی ضربه به صورت کلان و در قالب پردازش موازی میباشند. در این پایاننامه سعی شده است، برای هر بیشتر کردن تاثیر رفتار نرونی در انجام محاسبات سطح بالا و به نوعی واقعگرایانهتر کردن محاسبات، با استفاده از یکی از شبیهسازهای رایج اقدام به معرفی و شبیهسازی مدارهای نرونی معادل برای هر یک از آمارههای معرفی شده در سطح دوم محاسبات مدل مرجع گردد. همچنین مدارهای نرونی تطبیقگر برای هر یک از آمارهها به همراه روش استفاده از یادگیری وابسته به زمان ضربه برای تنظیم ورودی و تلفیق دو مدل با یکدیگر به همراه نتایج عملیات تطبیق ارائه شدهاند. بافتهای ساخته شده توسط مدل محاسباتی پیشنهادی و مدل مرجع، دارای شباهت ساختاری بالایی از دید دستهبندهای موفق بافت موجود میباشند. این امر توانایی محاسباتی مدل را به خوبی نشان میدهد