Recognition of electrochemical signals using artificial neuronal network

Automatizovaná elektrochemická měření jsou zdrojem velkého množství dat určených k následnému vyhodnocování. Tato práce se zabývá problémem zpracování, klasifikace a vyhodnocování elektrochemických signálů pomocí neuronových sítí. Kvůli vysoké dimenzionalitě analyzovaných dat je v této práci využita autoasociativní neuronová síť (AANN). Tento typ sítě provádí redukci dimenzionality filtrováním analyzovaných dat a extrahuje relativně nízký počet význačných parametrů na výstupu svého krčku. Pomocí extrahovaných parametrů je možné provést klasifikaci, vyhodnocení a násleně modelovat analyzovaný experiment díky rekonstrukční části naučené sítě. Dále se tato práce zabývá implementací dopředných neuronových sítí v jazyku OpenCL.Automatical electrochemical measurements are sources of large data sets intended for further analysis. This work deals with classification, evaluation and processing of electrochemical signals using artificial neural networks. Due to high dimensionality of input data, an autoassociative neural network (AANN) is used in this work. This type of network performs dimensionality reduction via filtering the input data into relatively small number of principal parameters at the bottleneck output. These extracted parameters can be used for classification, evaluation and additional modelling of analyzed data trough the reconstructive part of this network. Furthermore, this work deals with implementation of a feedforward neural network in OpenCL language.