Rekurentní modely neuronových sítí s pamětí založené na optimální polynomiální projekci

Abstract

Cílem této práce je prozkoumat možnosti praktického využití komprese signálu projekcí do polynomiálních bází při implementaci rekurentních neuronových sítí. Praktická část práce se zabývá klasifikací zvukových signálů a zpracováním textu pomocí frameworku Tensorflow a implementací jako "Spiking Neural Network" pomocí simulátoru NengoDL.

The aim of this thesis is to research the practical usability of high-order polynomial projection operators for compression of signals by projection onto polynomial bases for implementation of recurrent neural networks. Experiments in the field of sound classification and natural language processing are performed using Tensorflow framework and also as a spiking neural network using a simulator NengoDL.