Low-power Time Series Processing with Spiking Neural Networks

Auge, Daniel Gustav

Daniel Gustav Auge

If you experience problems opening the document, please try this link.

Original title:: Low-power Time Series Processing with Spiking Neural Networks
Translated title:: Energieeffiziente Zeitreihenverarbeitung mit gepulsten neuronalen Netzen
Author:: Auge, Daniel Gustav
Year:: 2023
Document type:: Dissertation
Faculty/School:: TUM School of Computation, Information and Technology
Advisor:: Knoll, Alois Christian (Prof. Dr. habil.)
Referee:: Knoll, Alois Christian (Prof. Dr. habil.); Biebl, Erwin (Prof. Dr. habil.)
Language:: en
Subject group:: DAT Datenverarbeitung, Informatik
Keywords:: Spiking Neural Networks, Machine Learning, Sequence Classification, Signal Processing
Translated keywords:: Gepulste neuronale Netze, Maschinelles Lernen, Sequenzklassifizierung, Signalverarbeitung
TUM classification:: DAT 260; DAT 815
Abstract:: Biologically inspired spiking neural networks (SNNs) have shown to be energy-efficient alternatives to common artificial neural networks in real-world applications. This thesis elaborates on signal encoding techniques and training methods for SNNs. These enable efficient event-based processing of time series. The proposed methods are evaluated using applications in the fields of speech recognition and radar-based gesture recognition.
Translated abstract:: Biologisch inspirierte gepulste neuronale Netze (SNNs) haben sich in realen Anwendungen als energieeffiziente Alternativen zu herkömmlichen künstlichen neuronalen Netzen erwiesen. Diese Arbeit diskutiert Ansätze zur Signalkodierung und Trainingsmethoden für SNNs. Diese ermöglichen die effiziente eventbasierte Verarbeitung von Zeitreihen. Die vorgestellten Methoden werden anhand von Applikationen aus den Bereichen der Sprachverarbeitung und radarbasierter Gestenerkennung evaluiert.
WWW:: https://mediatum.ub.tum.de/?id=1654878
Date of submission:: 15.07.2022
Oral examination:: 18.04.2023
File size:: 6917200 bytes
Pages:: 162
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230418-1654878-1-3
Last change:: 17.05.2023
BibTeX