Μέθοδοι σταδιακής μηχανικής μάθησης σε χρονικώς μεταβαλλόμενα προβλήματα: εφαρμογές αναγνώρισης προτύπων, χρονοσειρών και συστημάτων για λήψη αποφάσεων σε πραγματικό χρόνο

Περίληψη

Η παρούσα διατριβή προτείνει τεχνικές αναγνώρισης προτύπων/μορφωμάτων που βασίζονται σε μεθόδους μηχανικής μάθησης και αυτόματης εξόρυξης δεδομένων, με αντικείμενο εφαρμογής τα συστήματα που εξελίσσονται στο χρόνο. Περιγράφονται αλγόριθμοι και στρατηγικές επίλυσης που συνδυάζουν και αξιοποιούν χαρακτηριστικά από καθιερωμένες μεθοδολογίες που αναπτύχθηκαν στα πλαίσια της υπολογιστικής και στατιστικής μάθησης. Οι ιδιότητες με τις οποίες εφοδιάζονται οι προτεινόμενες τεχνικές αναγνώρισης είναι: 1) χαμηλή χωρο-χρονική πολυπλοκότητα, 2) σταδιακή και ταχεία μάθηση, 3) απόκριση σε πραγματικό χρόνο, 4) ανεξαρτησία από το συγκεκριμένο πεδίο εφαρμογής τους, 5) απλότητα στη χρήση, 6) αυτοματοποιημένη λειτουργία, 7) επεκτασιμότητα, και 8) δυνατότητα κατανεμημένης επεξεργασίας. Οι λύσεις που προκύπτουν μετά την εφαρμογή των εν λόγω τεχνικών δε βεβαιώνεται ότι είναι οι βέλτιστες, ωστόσο είναι επαρκείς και λειτουργικές. Η εμπειρική επαλήθευση υλοποιείται σε διαφορετικής πολυπλοκότητας προβλήματα του ...
περισσότερα

Περίληψη σε άλλη γλώσσα

The thesis proposes pattern recognition techniques based on machine learning methods and automated data mining; the application domain is systems that evolve over time. It describes algorithms and resolution strategies that combine and exploit features from established methodologies developed in the framework of computational and statistical learning. The attributes of the proposed identification and recognition techniques are: 1) low time-space complexity, 2) incremental and fast learning, 3) real-time response, 4) application independence, 5) simplicity, 6) automated operation, 7) scalability, and 8) distributed computing. After the application of these techniques, the produced solutions are not proved to be the optimal ones; nevertheless they are sufficient and functional. The empirical verification is implemented in real-world problems of different complexity. These problems can be represented by time evolving systems and emerge from the fields of environmental parameters forecasti ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/24658
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/24658
ND
24658
Εναλλακτικός τίτλος
Incremental machine learning methods in time-dependent problems: pattern, time-series and system recognition applications in real-time decision-making
Συγγραφέας
Συρρής, Βασίλης
Ημερομηνία
2010
Ίδρυμα
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (ΑΠΘ). Σχολή Πολυτεχνική. Τμήμα Ηελκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρονικής και Υπολογιστών
Εξεταστική επιτροπή
Πετρίδης Βασίλειος
Θεοχάρης Ιωάννης
Πέτρου Λουκάς
Χασάπης Γεώργιος
Ροβιθάκης Γεώργιος
Ντελόπουλος Αναστάσιος
Κεχαγιάς Αθανάσιος
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και Τεχνολογία
Επιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ
Λέξεις-κλειδιά
Μηχανική μάθηση; Στατιστική μάθηση; Εξόρυξη δεδομένων; Τεχνητά νευρωνικά δίκτυα; Θεωρία δικτυωμάτων; Μηχανές πυρήνα
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
xxiii, 233 σ., εικ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)