Ανάπτυξη προηγμένων μοντέλων υπολογιστικής νοημοσύνης για την αντιμετώπιση πολύπλοκων προβλημάτων της βιοπληροφορικής και της επεξεργασίας βιοσημάτων

Περίληψη

Σκοπός της διατριβής ήταν η ανάπτυξη νέων μοντέλων Υπολογιστκής Νοημοσύνης με χαμηλές υπολογιστικές απαιτήσεις, για την αντιμετώπιση πραγματικών προβλημάτων από τον χώρο της Βιοπληροφορικής και της Επεξεργασίας Βιοσημάτων. Τα πραγματικά προβλήματα συνήθως δημιουργούν μεγάλα σύνολα δεδομένων και χαρακτηρίζονται από περίπλοκα όρια διαχωρισμού κλάσεων (class separation boundaries). Πρόσφατα, σχεδιασμένα μοντέλα όπως το μοντέλο των Support Vector Machines μπορούν να αντιμετωπίσουν περίπλοκα προβλήματα ταξινόμησης προτύπων (pattern classification problems), όμως ο τρόπος που χρησιμοποιούν είναι υπολογιστικά τόσο ατελέσφορος, που για μεγάλα σύνολα δεδομένων, η αριθμητική επίλυση (numerical evaluation) αυτών των μοντέλων καθίσταται σχεδόν απογορευτική. Τα μοντέλα μη-επιβλεπόμενης (unsupervised) μάθησης από την άλλη, αν και έχουν σημαντικά χαμηλότερες υπολογιστικές απαιτήσεις, έχουν μια εγγενή μειωμένη ικανότητα διαχωρισμού κλάσεων κοντά στα όρια των κλάσεων. Η διατριβή αυτή αποσκοπώντας στον ...
περισσότερα

Περίληψη σε άλλη γλώσσα

The aim of this thesis was the development of computationally effective computational intelligence solutions for real-world problems from the Bioinformatics and Biosignal -Processing field. Real-world problems usually involve large data sets and are characterized by complex class separation boundaries. Recently designed supervised models, like the SVM, are able to tackle complex patterns classification problems, but do that in a computationally ineffective way, often resulting in a prohibitive numerical evaluation of these models for large sized data sets. Unsupervised models on the other hand, although demanding significantly less computational resources, have inherently poor discriminating capabilities near class boundaries. The present work intending to combine the advantages of both models, introduced a novel approach which relied on a simple fact: the state space for many complex pattern classification problems consists of regions that lie near class separation boundaries and requ ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/26399
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/26399
ND
26399
Εναλλακτικός τίτλος
Development of advanced computational intelligence models for complex bioinformatics and biosignal processing applications
Συγγραφέας
Μαυρουδή, Σεφερίνα του Παύλος
Ημερομηνία
2002
Ίδρυμα
Πανεπιστήμιο Πατρών. Σχολή Επιστημών Υγείας. Τμήμα Ιατρικής
Εξεταστική επιτροπή
Μπεζεριάνος Αναστάσιος
Παλληκαράκης Νικόλαος
Νικηφορίδης Γεώργιος
Βραχάτης Μιχαήλ
Μπούντης Αναστάσιος
Φακωτάκης Νικόλαος
Φλυτζάνης Κωνσταντίνος
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική
Λέξεις-κλειδιά
Βιοπληροφορική; Επεξεργασία σήματος; Μικροσυστοιχίες; Ομαδοποίηση; Ανίχνευση ισχαιμικών επεισοδίων; Μηχανή μάθησης; Μη επιβλεπόμενη μάθηση; Επιβλεπόμενη μάθηση
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
177 σ., πιν., σχημ.
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)