Ημερολόγιο Εκδηλώσεων

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Θεοδώρας Χρίστου 

με θέμα

Μελέτη, Σχεδιασμός και Υλοποίηση Συνελικτικού Αλγορίθμου Μηχανικής Εκμάθησης Νευρωνικών Δικτύων σε Αναδιατασσόμενη Λογική

Study, Design and Implementation of Convolutional Algorithms for Machine Learning Neural Networks in Reconfigurable Logic

Εξεταστική Επιτροπή

Καθηγητής Σωτήριος Ιωαννίδης (επιβλέπων)
Ομότιμος Καθηγητής Απόστολος Δόλλας 
Δρ Γρηγόριος Χρύσος
    
Περίληψη

Η εργασία εξετάζει τρόπους αποδοτικής εφαρμογής νευρωνικών δικτύων σε υπολογιστικές πλατφόρμες περιορισμένων πόρων, με στόχο τη βελτίωση της ταχύτητας, της ενεργειακής απόδοσης και της αξιοπιστίας σε εφαρμογές πραγματικού χρόνου. Παρουσιάζεται η διαδικασία υλοποίησης των αλγορίθμων, καθώς και τεχνικές βελτιστοποίησης που επιτρέπουν την αποτελεσματικότερη χρήση της μηχανικής μάθησης σε σύγχρονα ενσωματωμένα συστήματα.

Abstract 

Predictive maintenance in edge computing plays a pivotal role in ensuring the reliability and efficiency of critical systems. Neural networks are particularly well-suited for predictive maintenance due to their ability to effectively model complex patterns and relationships within data. While powerful in their predictive capabilities, they often face challenges when deployed on resource-constrained edge devices. The limitations in computational efficiency and real-time responsiveness hinder their seamless integration into edge environments. This research focuses on the implementation of a Convolutional Neural Network (CNN) algorithm for machine learning in reconfigurable logic. By leveraging the parallel processing capabilities of FPGAs, these challenges can be overcome. The FPGA implementation not only enhances the adaptability of predictive maintenance models to the dynamic nature of edge environments but also addresses the broader problem of seamlessly integrating neural networks into resource-constrained environments.