Funktionell PCA mot Artificiella Neuronnät

Examensarbete för kandidatexamen

Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.12380/302898
Download file(s):
File Description SizeFormat 
Funktionell PCA mot Artificiella Neuronät.pdf2.67 MBAdobe PDFView/Open
Bibliographical item details
FieldValue
Type: Examensarbete för kandidatexamen
Title: Funktionell PCA mot Artificiella Neuronnät
Authors: Nordh, Freja
Hallberg, Mattis
Mollahosseini, Shayan
Sandberg, Jack
Jansson, Erik
Gard, Philip
Abstract: Denna rapport fokuserar på jämförelsen av några olika klassificeringsmetoder applicerade på bilddatan Fashion-MNIST. De olika metoderna är artificiella neurala nätverk och funktionell principalkomponentanalys och principalkomponentanalys. För de neurala nätverken har vi två typer: CNN och FNN. Den förstnämnda är specialiserad på just bilder medan den sistnämnda kan appliceras på olika typer av dataset fast har nackdelen med försämrad noggrannhet. Funktionell principalkomponentanalys eller FPCA är en utvidgning av principalkomponentanalys (PCA) som innebär studiet av dimensionreducering av högdimensionell data. FPCA uttrycker data i form av funktioner vilket möjliggör ytterligare dimensionsreducering om funktionerna effektivt representerar datan. Parametrar i majoriteten av metoderna bestäms med hjälp av korsvalidering. Korsvalidering tillämpas för att en modell inte ska bli partiskt mot en viss del av datan och vi kan på så vis kan dra rättvisa slutsatser. Resultaten ger att de neurala nätverken, speciellt CNN, är bäst med en noggrannhet över nittio procent. Däremot presterar FPCA och PCA också bra då de har en noggrannhet omkring åttio procent. Nyckelord: Artificiella neuronnät, bildigenkänning, Fashion-MNIST, funktionell principalkomponentanalys, klassificering, korsvalidering, neurala faltningsnät, principalkomponentanalys, splines.
Issue Date: 2021
Publisher: Chalmers tekniska högskola / Institutionen för matematiska vetenskaper
URI: https://hdl.handle.net/20.500.12380/302898
Collection:Examensarbeten för kandidatexamen // Bachelor Theses



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.