Extension of neural network architecture

Impulsní neuronové sítě jsou variantou umělých neuronových sítí, které jsou navrženy, aby simulovaly přirozenou rozptýlenost a asynchronii pozorovanou u biologických neuronových sítí. Pokrok v nedávné době umožnil vytváření vícevrstvých impulsních sítí. S tím se objevila i snaha dosáhnout podobných úspěchů jako s klasickými vícevrstvými sítěmi. Objevily se také snahy o opětovné využití již existujících a populárních architektur klasických neuronových sítí. Ty mohou být například použity během procesu učení a nahrazeny impulsními sítěmi až v provozu. Tato práce analyzuje hlavní metody využité při vytváření impulsních sítí a porovnává nástroje pro jejich simulaci. Také bylo ukázáno použití impulsní neuronové sítě na detekci kognitivních evokovaných potenciálů v EEG datech.ObhájenoSpiking neural networks (SNNs) are artificial neural networks designed to mimic sparse and asynchronous nature of information processing observed in biology. In recent years, deep spiking networks emerged with efforts to draw on experiences with classic deep networks. There also appeared attempts to reuse the available state-of-the-art analogue neural networks (ANNs) completely, and replace the neurons for inference. This thesis contributes with analysis of the dominant methods used in the development of SNNs, and comparison of the major SNN simulation platforms. An application of the SNNs was demonstrated on detection of event-related potentials in EEG data