Funktionell PCA mot Artificiella Neuronnät

Detta är en Kandidat-uppsats från Göteborgs universitet/Institutionen för matematiska vetenskaper

Sammanfattning: Denna rapport fokuserar på jämförelsen av några olika klassificeringsmetoder appliceradepå bilddatan Fashion-MNIST. De olika metoderna är artificiella neurala nätverk och funktionellprincipalkomponentanalys och principalkomponentanalys. För de neurala nätverken har vi tvåtyper: CNN och FNN. Den förstnämnda är specialiserad på just bilder medan den sistnämndakan appliceras på olika typer av dataset fast har nackdelen med försämrad noggrannhet. Funktionellprincipalkomponentanalys eller FPCA är en utvidgning av principalkomponentanalys(PCA) som innebär studiet av dimensionreducering av högdimensionell data. FPCA uttryckerdata i form av funktioner vilket möjliggör ytterligare dimensionsreducering om funktionernaeffektivt representerar datan. Parametrar i majoriteten av metoderna bestäms med hjälp avkorsvalidering. Korsvalidering tillämpas för att en modell inte ska bli partiskt mot en vissdel av datan och vi kan på så vis kan dra rättvisa slutsatser. Resultaten ger att de neuralanätverken, speciellt CNN, är bäst med en noggrannhet över nittio procent. Däremot presterarFPCA 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.

  HÄR KAN DU HÄMTA UPPSATSEN I FULLTEXT. (följ länken till nästa sida)