Ηπαρούσαεργασίαεισάγειτοναναγνώστηστιςβασικέςέννοιεςπουαφορούνένανσυγκεκριμένο τύπο τεχνητού νευρωνικού δικτύου, που ονομάζεται RadialBasisFunctionNetwork.Αναλύεταιηδομήκαιεξηγείταιοακριβέςτρόποςλειτουργίαςτουαπότηντροφοδότηση των εισόδων έως και την παραγωγή της εξόδου. Παράλληλα,αντιμετωπίζει τοπρόβλημα ανάπτυξης ενός δικτύου RBF ως ένα θέμα βελτιστοποίησης το οποίο μπορεί ναλυθείμετηνχρήσηγενετικώναλγορίθμων.Ακολουθείειδικόκεφάλαιοανάλυσηςτωνγενετικών αλγορίθμων αλλά και το πως αυτοί μπορούν να παραμετροποιηθούν για να λύσουντο πρόβλημα βελτιστοποίησης του RBF. Τέλος, παρουσιάζονται τμήματα από την υλοποίησητων παραπάνω στην γλώσσα προγραμματισμού C++ αλλά και πειραματικά αποτελέσματα σεγνωστά datasets.
(EL)
This thesis introduces the reader to the basic principles regarding Radial Basis FunctionNetworks. The first chapter provides an overview of the design and architecture while at thesame time viewing the issue as an optimization problem that can be solved using a hybridgenetic algorithm. A specific chapter is dedicated showing experimental results between theclassical approach of an RBF network versus the specifically designed algorithm for theoptimization of the RBF output. To sum up; parts of the source code are also presented usingthe C++programminglanguage.
(EN)
University of Ioannina
