Εξόρυξη γνώσης από βάσεις χρονοσειρών: επιλογή  χαρακτηριστικών και κατηγοριοποίηση

Περίληψη

Ο σκοπός της διατριβής αυτής είναι η ανάπτυξη και η χρήση τεχνικών εξόρυξης δεδομένων σε βάσεις δεδομένων χρονοσειρών και ειδικότερα η διερεύνηση μεθόδων επιλογής των πιο σχετικών χαρακτηριστικών από τις χρονοσειρές τα οποία θα μπορούν να χρησιμοποιηθούν για συσταδοποίηση και κατηγοριοποίηση. Κατά την διάρκεια των εργασιών επιτεύχθηκαν οι παρακάτω στόχοι: 1) υπολογίσθηκε μεγάλο πλήθος χαρακτηριστικών που χρησιμοποιούνται στην ανάλυση χρονοσειρών, 2) αναπτύχθηκαν νέες μέθοδοι επιλογής βέλτιστου υποσυνόλου χαρακτηριστικών για κατηγοριοποίηση και συσταδοποίηση βάσεων δεδομένων, 3) έγινε σύγκριση της απόδοσης των μεθόδων αυτών με άλλες εφάμιλλες μεθόδους 4) όλες οι τεχνικές εφαρμόσθηκαν σε προσομοιωτικά και πραγματικά δεδομένα χρονοσειρών, κυρίως ηλεκτροεγκεφαλογραφημάτων (EEG), ώστε τα επιλεγμένα βέλτιστα υποσύνολα χαρακτηριστικών από τις μεθόδους που αναπτύξαμε, να παίξουν τον ρόλο χρήσιμων ¨βιοδεικτών¨ σε πραγματικές καταστάσεις και 5) αναπτύχθηκαν δύο λογισμικά βασισμένα στην πλατφ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

The objective of the thesis is to develop and apply data mining techniques in time series databases, and in particular to investigate for the most relevant time series measures to be used for feature based clustering and classification. In the course of this work, the following goals were achieved: 1) a large number of features used in time series analysis were computed, 2) new algorithms have been developed for optimal feature subset selection, 3) they have been compared to other currently favored feature selection methods on simulated and real world databases, especially epileptic electroencephalograms (EEG), 4) the proposed methods were shown to be able to find a small subset of the most useful features for classification purposes, and particularly for epileptic EEG it was shown that such a feature subset can possibly play the role of "biomarker" and distinguish the late preictal stage, and finally 5) two menu-based Matlab modules were developed, the first for the computation of a l ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/27116
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/27116
ND
27116
Εναλλακτικός τίτλος
Data mining in time series databases: feature selection and classification
Συγγραφέας
Τσιμπίρης, Αλκιβιάδης (Πατρώνυμο: Βασίλειος)
Ημερομηνία
2012
Ίδρυμα
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (ΑΠΘ). Σχολή Πολυτεχνική. Τμήμα Γενικό. Τομέας Υπολογιστικών Μεθόδων και Προγραμματισμού Η/Υ
Εξεταστική επιτροπή
Κουγιουμτζής Δημήτριος
Πάγκαλος Γεώργιος
Μήτκας Περικλής
Μανωλόπουλος Ιωάννης
Μαγκλαβέρας Νικόλαος
Χατζηλεοντιάδης Λεόντιος
Τζοβάρας Δημήτριος
Επιστημονικό πεδίο
Φυσικές Επιστήμες
Επιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική
Λέξεις-κλειδιά
Εξόρυξη γνώσης; Κατηγοριοποίηση; Χρονοσειρές; Επιλογή Χαρακτηριστικών; Συσταδοποίηση; Αμοιβαία πληροφορία; Φίλτρο και περιτύλιγμα; Ηλεκτροεγκεφαλογράφημα
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
viii, 172 σ., εικ., πιν., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)