Για τη παρούσα εργασία πραγματοποιήσαμε μια αναλυτική περιγραφή της δομής ενός συστήματος οπτικής αναγνώρισης χαρακτήρα και των μεθόδων που έχουν χρησιμοποιηθεί από τους διάφορους ερευνητές. Σταθήκαμε περισσότερο στην θεωρία των Κυματιδίων (Wavelets) και των Τεχνητών Νευρωνικών Δικτύων. Στη συνέχεια υλοποιήσαμε ένα σύστημα Οπτικής Αναγνώρισης Χαρακτήρα σε περιβάλλον Matlab χρησιμοποιώντας wavelets για την εξαγωγή παραμέτρων και Radial Basis Function (RBF) νευρωνικό δίκτυο. Στο πείραμα που πραγματοποιησήσαμε μετρήσαμε την αποδοτικότητα του συστήματος μας για εξαγωγή παραμέτρων με δύο διαφορετικά wavelets (sym4 και Meyer) και αποδείξαμε πως το δεύτερο έχει πολύ καλύτερη επίδοση. / Dirscription of an optical character recognition system and the methods that are used. Creation of an ocr system using wavelets for feature extraction and neural networks for the recognition.

Σκοπός της εργασίας είναι να ερευνήσουμε κατά πόσο η κίνηση του ποντικιού μπορεί να χρησιμοποιηθεί ως στοιχείο ταυτοποίησης του φυσικού προσώπου. Για το λόγο αυτό δημιουργήσαμε ένα γραφικό περιβάλλον στο οποίο ο χρήστης εκτελεί έναν αριθμός πειραμάτων τα οποίο αποτελούν τη σφραγίδα του χρήστη. Στη συνέχεια εκπαιδεύουμε το σύστημα έτσι ώστε τα δεδομένα του χρήστη να έρθουν σε αντιπαραβολή με τα δεδομένα άλλων χρηστών. Μετά από αυτό το στάδιο είμααστε έτοιμοι να αναγνωρίσουμε τον εν λόγω χρήστη. Η επιτυχία (ή αποτυχία) του συστήματος μπορεί να μετρηθεί ποσοτικά. / -

Η ανάπτυξη ενσωματωμένων στο όχημα συστημάτων υποβοήθησης του οδηγού για αποφυγή συγκρούσεων με άλλα οχήματα έχει βρεθεί στο επίκεντρο του ενδιαφέροντος εξαιτίας των μεγάλων απωλειών σε ανθρώπινες ζωές στα αυτοκινητιστικά δυστυχήματα. Τα βασισμένα στην όραση συστήματα εξελίσσονται με πολύ γρήγορους ρυθμούς αλλά η έλλειψη μεγάλης σθεναρότητας αποτελεί τροχοπέδη στην τοποθέτηση τους σε οχήματα ευρείας παραγωγής. Ωστόσο, τα αποτελέσματα των ερευνών είναι πολύ ενθαρρυντικά. Στην παρούσα διπλωματική εργασία στόχος είναι η ανάπτυξη ενός συστήματος αναγνώρισης οχημάτων από εικόνες που λαμβάνονται από βιντεοκάμερα που έχει ενσωματωθεί στο όχημα. Η προσπάθεια ανίχνευσης πραγματοποιήθηκε έχοντας ως μοναδικό στοιχείο της εικόνες αυτές , τόσο τα κατασκευαστικά χαρακτηριστικά της κάμερας όσο και η ταχύτητα του οχήματος δεν ήταν γνωστά. Η μεθοδολογία που επιλέχθηκε είναι αυτή της οπτικής ροής. Αρχικά υπολογίσθηκε η οπτική ροή μεταξύ δύο καρέ και στην συνέχεια αυτή η πληροφορία αξιοποιήθηκε με δύο μεθόδους ώστε να γίνει η υπόθεση για τη θέση του κινούμενου οχήματος στην εικόνα. Η μία χρησιμοποιεί την κλίση της οπτικής ροής σε συνδυασμό με την απότομη αλλαγή της κατεύθυνσης των διανυσμάτων οπτικής ροής στα άκρα των κινούμενων οχημάτων και η άλλη συνδυάζει την οπτική ροή με την ανάλυση κύριων τμημάτων (PCA-Principal Component Analysis). / The goal of this paper is the development of an on-board vehicle detection system with the use of optical flow techniques.

- / -

Οι ραγδαίες εξελίξεις στη Φασματομετρία Μάζας και η εισαγωγή νέων πειραματικών τεχνικών ιονισμού, όπως οι τεχνικές Matrix-Assisted Laser Desorption Ionization (MALDI) και Surface-Enhanced Laser Desorption Ionization (SELDI) έχει καταστήσει δυνατή τη μελέτη των επιπέδων της πρωτεϊνικής έκφρασης σε σύνθετα μείγματα πρωτεϊνών από διάφορα βιολογικά δείγματα, όπως serum, πλάσμα και ούρα. Τα δεδομένα που προκύπτουν από αυτές τις τεχνολογίες μπορούν να χρησιμοποιηθούν για την αναγνώριση πρωτεϊνικών προτύπων, τα οποία θα μπορούν επιτυχώς να διαχωρίζουν καταστάσεις (π.χ. υγιής – ασθενής) καθώς και για την ανακάλυψη νέων πιθανών βιοδεικτών (biomarkers). Αυτά τα πρότυπα έχουν υψηλή διαγνωστική σημασία, καθώς μπορούν να χρησιμοποιηθούν για έγκαιρη διάγνωση, πρόγνωση, παρακολούθηση της εξέλιξης μιας ασθένειας ή της απόδοσης μιας συγκεκριμένης θεραπείας. Αυτή η στρατηγική έχει ήδη χρησιμοποιηθεί σε διάφορους τύπους καρκίνου, όπως ωοθηκών, μαστού και προστάτη, δίνοντας πολύ ενδιαφέροντα αποτελέσματα. Παρόλα αυτά, η σύνθετη φύση των πρωτεϊνικών δεδομένων κάνει την ανάλυση τους αρκετά απαιτητική, καθώς τα αρχικά, ακατέργαστα δεδομένα είναι πολύ δύσκολο να επεξεργαστούν. Πιο συγκεκριμένα, τα δεδομένα που ανακτώνται μετά από ένα πείραμα Φασματομετρίας Μάζας περιέχουν κάποιες εκατοντάδες δείγματα (δηλαδή φάσματα μάζας) και σε κάθε δείγμα αντιστοιχούν δεκάδες χιλιάδες χαρακτηριστικά. Επιπρόσθετα με το πρόβλημα των μεγάλων διαστάσεων και ταυτόχρονα λίγων δειγμάτων, κάθε φάσμα περιέχει σημαντικό ποσοστό θορύβου και τεχνουργημάτων, κυρίως εξαιτίας της υψηλής ευαισθησίας του μηχανήματος, της επιμόλυνση του δείγματος αλλά και διαφόρων ηλεκτρικών πηγών θορύβου. Ένα άλλο κοινό πρόβλημα είναι η λάθος βαθμονόμηση (calibration) των φασμάτων, που καθιστά τα δεδομένα αδύνατον να συγκριθούν. Για όλους αυτούς τους λόγους, είναι παραπάνω από προφανές ότι για να καταφέρουμε να εξάγουμε γνώση σχετικά με τις πραγματικές υποκείμενες βιολογικές διαφοροποιήσεις του πρωτεώματος πρέπει να εκτελέσουμε διάφορα βήματα προεπεξεργασίας. Ο βασικός στόχος της προεπεξεργασίας είναι η δημιουργία ενός πίνακα που θα περιέχει τα σημαντικά χαρακτηριστικά (δηλαδή τις κορυφές) και τις αντίστοιχες τιμές έντασης, ο οποίος θα αναλυθεί περαιτέρω χρησιμοποιώντας μια ποικιλία υπολογιστικών μεθόδων. Για να επιτύχουμε κάτι τέτοιο, πρέπει αρχικά να αφαιρέσουμε το θόρυβο, τα τεχνουργήματα και τη συστηματική απόκλιση χωρίς απώλεια πληροφορίας και έπειτα να ανιχνεύσουμε και να ποσοτικοποιήσουμε ένα σύνολο κορυφών. Η προεπεξεργασία περιλαμβάνει ένα σύνολο βημάτων τα οποία αλληλεπιδρούν μεταξύ τους και έχει δειχθεί ότι αν δεν εφαρμοστεί προσεκτικά θα είναι πολύ δύσκολο να εξαχθούν συμπεράσματα για την υποκείμενη ασθένεια. Η επιλογή του καλύτερου συνδυασμού μεθόδων είναι ιδιαίτερα δύσκολη, καθώς για κάθε βήμα έχουν προταθεί αρκετές εναλλακτικές μέθοδοι. Επιπλέον, είναι δύσκολο να αποτιμηθεί η απόδοση κάθε μεθόδου και να προταθεί μια μοναδική στρατηγική, καθώς για κάθε σύνολο δεδομένων προκύπτει και διαφορετικός συνδυασμός ως πιο κατάλληλος. Στα πλαίσια της παρούσας διπλωματικής εργασίας δημιουργήθηκε ένα ολοκληρωμένο σύστημα ανάλυσης πρωτεϊνικών δεδομένων, το οποίο ενσωματώνει μια καινούρια μέθοδο προεπεξεργασίας πρωτεϊνικών δεδομένων. Η μέθοδος αυτή αντιμετωπίζει τα προβληματικά χαρακτηριστικά αυτού του τύπου δεδομένων και εκμεταλλεύεται τα πλεονεκτήματα διάφορων γνωστών μεθόδων. Πιο συγκεκριμένα, η στρατηγική που προτείνουμε εστιάζει σε τρία σημαντικά προβλήματα: τη διόρθωση των λαθών της βαθμονόμησης, την ανίχνευση των κορυφών με ευαίσθητο αλλά και σταθερό τρόπο και την ακριβή ποσοτικοποίηση κάθε κορυφής. Η ανίχνευση κορυφής πραγματοποιήθηκε μέσω μιας μεθόδου βασισμένης στη λογική της χρήσης του μέσου φάσματος, όπου πρώτα ανιχνεύουμε τις κορυφές ανά κατηγορία, έπειτα εφαρμόζουμε διάφορα κριτήρια αποκοπής για να βεβαιώσουμε την αναπαραγωγιμότητα τους και μετά τις συνενώνουμε σε ένα σύνολο κορυφών, κοινό για όλες τις κατηγορίες. Αντί να χρησιμοποιούμε συγκεκριμένες θέσεις για κάθε κορυφή, προτείνουμε τη χρήση διαστημάτων κορυφής, έτσι ώστε να βεβαιώσουμε ότι οι μικρές αποκλίσεις δε δημιουργούν σφάλματα στην ποσοτικοποίηση. Για να αποτιμήσουμε τα αποτελέσματα της μεθόδου μας, στα δεδομένα που προέκυψαν μετά την προεπεξεργασία εφαρμόστηκε ένα τελικό βήμα επιλογής χαρακτηριστικών και ταξινόμησης, με χρήση του αλγορίθμου ταξινόμησης Support Vector Machines. Η προτεινόμενη μέθοδος μας εφαρμόστηκε σε ένα σύνολο MALDI MS δεδομένων, το οποίο μας παρείχε η Ερευνητική Μονάδα Πρωτεωμικής του Ιδρύματος Ιατροβιολογικών Εφαρμογών Ακαδημίας Αθηνών (ΙΙΒΕΑΑ). Το συγκεκριμένο σύνολο δεδομένων περιέχει 200 περίπου δείγματα από ασθενείς με καρκίνο ουροδόχου κύστεως (υψηλού ή χαμηλού βαθμού) ή καλοήθη ασθένεια. Μετά την εφαρμογή της προτεινόμενης μεθόδου, καταλήξαμε σε έναν πίνακα 456 κορυφών και αντίστοιχων εντάσεων. Η εφαρμογή του βήματος της ταξινόμησης πέτυχε πολύ υψηλά ποσοστά ακρίβειας, ευαισθησίας και ειδικότητας. Επιπλέον, αναγνωρίστηκαν 31 στατιστικά σημαντικά χαρακτηριστικά, μερικά από τα οποία δεν ανιχνεύονται από τις υπάρχουσες μεθόδους. / The rapid developments in mass spectrometry (MS) and the introduction of new experimental ionization methods, like matrix-assisted laser desorption ionization (MALDI) and surface-enhanced laser desorption ionization (SELDI), has made it possible to study protein expression levels in complex mixtures of proteins from various biological samples, like serum plasma and urine. The data generated from these technologies can be used to identify proteomic patterns that can successfully separate states (e.g. normal versus disease) and possibly discover novel disease biomarkers. Those patterns have high diagnostic significance, as they can be used for early diagnosis, prognosis, monitoring disease progression or therapeutic response. This strategy has already been used in various types of cancer, like ovarian, breast and prostate cancer, giving interesting results. However, the complex nature of proteomics data makes their analysis a challenging task, as the initial raw data are very difficult to handle. More specifically, the data retrieved after an MS experiment contain hundreds of samples (i.e. mass spectra), and in each sample correspond tens of thousands of features. In addition to this high dimensionality – small sample size problem, each spectrum contains a great amount of noise and artifacts, mostly due to the high sensitivity of the instrument, sample contamination and electrical noise. Another common problem is the miscalibration of the spectra that makes the data impossible to compare. For all those reasons, it is more than obvious that in order to extract knowledge about the true underlying biological differences in the proteome, various preprocessing steps need to be applied. The main goal of preprocessing is to come up with a matrix of important features (i.e. peaks) and their corresponding intensity values, which can be further analyzed using a variety of computational methods. To achieve this, one must first remove noise, artifacts and systematic bias without loss of information and then detect and quantify a set of peaks. Preprocessing involves various steps that are highly interrelated and it has been shown that if those steps are not applied carefully, it will be difficult to extract meaningful conclusions about the underlying disease. For each step, a number of methods have been proposed making the decision about the best combination of methods a very challenging task. Furthermore, it is difficult to evaluate the performance of each method and come up with a standard strategy, as for each dataset a different set of methods appear to be more effective. This thesis presents a new pipeline method for the analysis of proteomics data, which incorporates a new preprocessing method. This proposed method deals with the problematic characteristics of this type of data and exploits the advantages of various existing methods. More specifically, our proposed strategy focuses on three main problems: correcting the miscalibration of the mass spectra, detecting the peaks in a sensitive yet robust manner and extracting the true intensity values that correspond in each peak. For the peak finding step, we used a method based on the mean spectrum approach, where we first find the peaks per category, then apply certain criteria to ensure their reproducibility and then combine them in a single peak list. Instead of working with peak locations, we propose the use of peak intervals, to ensure that the small shifts present in the data do not interfere with the final results. In order to evaluate the results of our method, a final feature extraction and classification step was applied in the preprocessed data, using the Support Vector Machines classification algorithm. Our proposed pipeline method was applied in a MALDI MS dataset, obtained by the Proteomics Research Unit of the Biomedical Research Foundation. This particular dataset contained approximately 200 samples, concerning patients with bladder cancer (high or low grade) and benign bladder disease. After the application of the proposed preprocessing method we ended up with a matrix of 456 peak bins and corresponding intensities. The application of the classification algorithm achieved extremely high performance in terms of accuracy, sensitivity and specificity. Furthermore, 31 statistically important peaks were identified, some of which are not detected by existing methods.

Σκοπός της παρούσας διπλωματικής εργασίας είναι η υλοποίηση ενός αποτελεσματικού αλγορίθμου ικανού να επεξεργάζεται οποιεσδήποτε βιοψίες κυττάρων που εμπεριέχουν κακοήθεις νεοπλασίες και να τις αναγνωρίζει. Η επεξεργασία γίνεται κυρίως χρησιμοποιώντας τις χρωματικές ιδιότητες των υπό εξέταση εικόνων. Το αρχικό δείγμα διέρχεται από αρκετά στάδια επεξεργασίας κατά τα οποία αλλάζει τόσο η μορφή του όσο και η χρωματική του δομή. Αρχικός σκοπός είναι η μετατροπή της αρχικής εικόνας σε μορφή που θα επιτρέπει με σαφήνεια την επεξεργασία της. Ο αλγόριθμος που υλοποιήθηκε είναι φιλικός προς τον χρήστη και δίνει την δυνατότητα σε κάθε βήμα να επιλέγει οποιαδήποτε τιμή της παραμέτρου εάν δεν επιθυμεί να ακολουθήσει τις προεπιλεγμένες τιμές. / Aim of present diplomatic work is the implementation of a robust algorithm capable to process any pigmentation biopsies of cells that include malignant neoplasm and finally to recognize them. The process mainly takes place by using the chromatic attributes of the pictures. The initial sample goes through from enough stages at which stage we change both the form and the chromatic structure. Initial aim is the transformation of the initial picture in a form that will allow with clarity the process. The algorithm that was implemented is friendly to the user and it gives the possibility in each step of selecting any price of parameter or if it does not wish it to follow the preselected prices.

Η ανάγκη για την έγκαιρη αντιμετώπιση καταστροφών στις μέρες μας αυξάνεται συνεχώς. Ο λόγος είναι ότι η συχνότητα των ηθελημένων καταστροφών (εμπρησμοί, τρομοκρατικές ενέργειες) έχει αυξηθεί. Ο σχεδιασμός και η παραγωγή συστημάτων ασφαλείας που θα εποπτεύουν ένα χώρο χωρίς να παραβιάζουν τα προσωπικά δεδομένα είναι ένα νέο πεδίο έρευνας. Ένα σημαντικό κομμάτι ενός τέτοιου συστήματος είναι η αναγνώριση φωτιάς μόνο με τη χρήση οπτικών αισθητήρων. Στη παρούσα διπλωματική εργασία μελετάμε διάφορες προηγούμενες τεχνικές αναγνώρισης φωτιάς και περιγράφουμε ένα επιθυμητό σύστημα. Στη συνέχεια παρουσιάζουμε τα κομμάτια του συστήματος που αναπτύξαμε και τα εργαλεία που χρησιμοποιήθηκαν, όπως το ασύρματο δίκτυο και τη βιβλιοθήκη ανοικτού λογισμικού OpenCv. Το σύστημά μας έχει στόχο να ειδοποιήσει ένα κέντρο ελέγχου για μία πιθανή εκδήλωση φωτιάς. Αυτό το πετυχαίνει επεξεργάζοντας τα δεδομένα που λαμβάνει από μία δικτυακή κάμερα και δημιουργώντας στιγμιότυπα που θα επιτρέψουν στους χειριστές του κέντρου να επαληθεύσουν την ύπαρξη της φωτιάς. Το σύστημα έχει τη δυνατότητα εκτός από την ασύρματη αποστολή των δεδομένων, να τα αποθηκεύσει τοπικά στη περίπτωση που δεν καταστεί δυνατή ή αποστολή, ώστε να ανακτηθούν αργότερα από το συνεργείο διάσωσης. / The need of prompt disaster relief actions is increasing rapidly today. The main reason is that the frequency of the intentional disasters (fires, terror acts) has increased. The design and production of unattended surveillance/alarm systems that respect the privacy and civil liberties of people is a new field of research. Fire detection using only video sensors is an integral component of such a system. In the present diploma thesis we study the various different approaches of video fire detection and we describe our systems' goals. Then we describe the main components of our system and the various tools that were used, such as the wireless network architecture and the open-source library OpenCv. The system suggested triggers an alarm and notifies a central station in the event of a fire break-out. This is carried through by processing data from an ip-camera and by creating a video with the frames that will allow the personnel at the station to verify the fire. The system also has the use of a "black box". If for any reason the communication is not possible, data is preserved until it is physically recuperated by the rescue team.

Αντικείμενο αυτής της διπλωματικής εργασίας ήταν ο έλεγχος ηλεκτροκινητήρων μέσω ηλεκτρονικού υπολογιστή. Προσεγγίσαμε το πρόβλημα με τρόπο που μπορεί να χρησιμοποιηθεί για οποιοδήποτε τύπο συστήματος αρχίζοντας από το μηδέν και πραγματοποιώντας συγκεκριμένα βήματα. Αρχικά ορίσαμε το πρόβλημά μας ορμώμενοι από πρακτικές εφαρμογές που έχουν ανάγκη την επίτευξη του συγκεκριμένου έλεγχου που αφορά τους DC ηλεκτροκινητήρες. Επιλέξαμε ένα σύστημα ηλεκτροκινητήρων το οποίο προσομοιώνει επαρκώς το πρόβλημά μας, δηλαδή τόσο τον υπό έλεγχο ηλεκτροκινητήρα όσο και την διάταξη προσομοίωσης συνθηκών φορτίου. Στη συνέχεια μελετήσαμε το θεωρητικό υπόβαθρο γύρω από τη λειτουργία των DC κινητήρων αναλύοντας τόσο τα δομικά τους στοιχεία όσο και τη συμπεριφορά τους. Κατόπιν, επικεντρωθήκαμε στην πειραματική διάταξη κάνοντας μια αναλυτική και εκτενή περιγραφή των παραμέτρων της, του τρόπου λειτουργίας των στοιχείων της και του επιτρεπτού τρόπου λειτουργίας. Σύμφωνα με αυτά επιλέξαμε κατάλληλη διάταξη επικοινωνίας με τον υπολογιστή συνοδευόμενη από λογισμικό που θα μας επιτρέψει τον προγραμματισμό του ελέγχου της διεργασίας. Η κάρτα που επιτελεί αυτή τη διεργασία επιλέχθηκε με βάση τον αριθμό και το είδος εισόδων / εξόδων, τον μέγιστο ρυθμό δειγματοληψίας και τα δυνατά όρια λειτουργίας DC τάσης. Ακολούθησε θεωρητική περιγραφή του συστήματος και μοντελοποίηση των παραμέτρων του στο πεδίο Laplace και πήραμε μια θεωρητική απόκριση βασισμένη στις τιμές των προδιαγραφών που ορίζει ο κατασκευαστής για να δούμε μια πρώτη εικόνα του τι είδους σύστημα θα αντιμετωπίσουμε. Στη συνέχεια αναλύσαμε τη θεωρία αναγνώρισης βασισμένη στο γραμμικό πολυωνυμικό μοντέλο, καθώς και την επιλογή του αλγορίθμου αναγνώρισης που θα χρησιμοποιήσουμε και ορίσαμε τη μορφή και τάξη του μοντέλου που περιγράφει το σύστημα επαρκώς σύμφωνα. Κατασκευάσαμε το πρόγραμμα που καταγράφει την απόκριση ανοικτού βρόχου του συστήματος και με διαδοχικές πειραματικές μετρήσεις αναλύσαμε γραφικά τη συμπεριφορά του συστήματος, κάναμε παραδοχές, απλοποιήσεις και ορίσαμε τα γραμμικά όρια λειτουργίας. Τα παραπάνω συνετέλεσαν στην ομαλή διεξαγωγή καταγραφής της απόκρισης της εξόδου σε τυχαία είσοδο ώστε ο αλγόριθμος ARX να υπολογίσει το βέλτιστο προσεγγιστικό μοντέλο το οποίο στη 94 συνέχεια απλοποιήσαμε σε τάξη και προσαρμόσαμε ώστε να έχει όσο το δυνατόν πιο όμοια συμπεριφορά με το πραγματικό σύστημα. Η γνώση της προσεγγιστικής συνάρτησης μεταφοράς του συστήματος μας βοήθησε στο να επιλέξουμε το είδος ελέγχου που θα επιβάλλουμε στο σύστημα. Υλοποιήσαμε λοιπόν τον PI ελεγκτή και αναλύσαμε τη συμπεριφορά του πειραματικά για ένα συγκεκριμένο χρόνο δειγματοληψίας που είναι συνήθης να χρησιμοποιείται. Αφού βρήκαμε τις καλύτερες δυνατές τιμές των παραμέτρων του καταφέραμε όσο το δυνατόν καλύτερα τον έλεγχο του συστήματος για δεδομένο ρυθμό δειγματοληψίας. Τέλος, εξαντλήσαμε τις δυνατότητες που προσφέρει ο υπολογιστής και παραθέσαμε τη βελτιωμένη λειτουργία του ελεγκτή με πολύ μεγαλύτερο ρυθμό δειγματοληψίας κατά την οποία ορίσαμε εκ νέου τις βέλτιστες τιμές των παραμέτρων του. Το αποτέλεσμα είναι εκπληκτική ακρίβεια και επιτυχία στην επιτέλεση της επιθυμητής διεργασίας (tracking) από το σύστημα. Σκέψεις για την περεταίρω συνέχιση της εργασίας είναι ο έλεγχος AC κινητήρων με παρόμοια μέθοδο καθώς και η επιβολή διαφορετικού τύπου ελέγχου στο συγκεκριμένο σύστημα (fuzzy control, robust control). Αυτό μπορεί να γίνει πολύ εύκολα εφόσον το σύστημα είναι πλήρως αναγνωρισμένο από τη συνολική διαδικασία του κεφαλαίου 3 απλά αντικαθιστώντας τον ελεγκτή PI από διαφορετικό μέσω στοιχειώδους προγραμματισμού στο Labview. Στην εργασία αυτή αναλύθηκε ένα είδος ελέγχου αντιπροσωπευτικά αφού το μεγαλύτερο βάρος ενός τέτοιου προβλήματος, πέραν της φυσικής περιγραφής του συστήματος, αφορά πρωτίστως την αναγνώρισή του και τον πλήρη ορισμό του ως μαθηματικό μοντέλο. / This project is about DC motor control throught PID control. The control unit is programmed on Labview 8.5 and thus implemented by a PC unit. This project also contains identification theory based on ARX algorithm.

Αντικείμενο της εργασίας αυτής είναι η μελέτη και κατασκευή εφαρμογής ασύρματου δικτύου με σκοπό την αναγνώριση της ανθρώπινης δραστηριότητας και τον εντοπισμό της πτώσης σε πραγματικό χρόνο, καθώς επίσης και την παρακολούθηση των αποτελεσμάτων από απομακρυσμένη τοποθεσία. Στη συγκεκριμένη εργασία σκοπός είναι η αναγνώριση των τεσσάρων βασικών καταστάσεων της ανθρώπινης φυσικής δραστηριότητας (κάθομαι, ξαπλώνω, στέκομαι, κινούμαι) και ο εντοπισμός της πτώσης με χρήση της των επιταχυνσιομέτρων που προσφέρει η πλατφόρμα SunSpot καθώς και η σύνδεση της διάταξης με το διαδίκτυο για την παροχή πληροφορίας σχετικά με την κατάσταση του κατόχου του συστήματος σε απομακρυσμένη τοποθεσία. Πραγματοποιήθηκε μελέτη σχετικά με διάφορες διατάξεις των αισθητήρων ,την συχνότητα δειγματοληψίας, τους αλγορίθμους κατάταξης καθώς και για τις μεθόδους διάθεσης της πληροφορίας στο διαδίκτυο. Για την αναγνώριση των καταστάσεων και τον εντοπισμό της πτώσης χρησιμοποιήθηκαν δυο πλατφόρμες αισθητήρων SunSPOT, μια στο στήθος (master) και μια στο δεξιό τετρακέφαλο (slave) / A wearable wireless sensor network application performing human activity recognition and fall detection using the Naïve Bayesian Classifier algorithm in the SunSpot Platform accompanied by a web application in the Google App Engine platform to be able to monitor the classification results from a remote location and to automatically notify via e-mail in case of emergency.

Στην παρούσα διπλωματική εργασία γίνεται αναλυτική παρουσίαση των μεθόδων ομαδοποίησης, καθώς και της Ανάλυσης Κύριων Συνιστωσών (ΑΚΣ). Σκοπός είναι να μελετηθεί η αποτελεσματικότητα της χρήσης, της Ανάλυσης Κύριων Συνιστωσών σε σύνολα δεδομένων προς ομαδοποίηση. Πιο συγκεκριμένα, συγκρίνονται εμπειρικά τα πειραματικά αποτελέσματα που παράχθηκαν από την ομαδοποίηση συνόλων δεδομένων πριν και μετά τη χρήση της ΑΚΣ σε τεχνητά και πραγματικά σύνολα δεδομένων. Στο πρώτο κεφάλαιο πραγματοποιείται μία παρουσίαση των κύριων εννοιών που άπτονται της ομαδοποίησης δεδομένων, καθώς και παρουσιάζονται οι πιο γνωστές τεχνικές ομαδοποίησης. Στο δεύτερο κεφάλαιο παρουσιάζεται συνοπτικά η Ανάλυση Κύριων Συνιστωσών, καθώς και παραθέτονται διάφορα κριτήρια επιλογής του πλήθους των κύριων συνιστωσών. Η εργασία τελειώνει με την παρουσίαση πειραματικών αποτελεσμάτων ομαδοποίησης σε τεχνητά και πραγματικά σύνολα δεδομένων, πριν και μετά τη χρήση της ΑΚΣ με διαφορετικές τεχνικές ομαδοποίησης. / In the thesis at hand, several clustering methods along with the Principal Component Analysis (PCA) are presented. The main goal is to study the application of PCA on data sets for clustering purposes. More specifically, several clustering algorithms are compared through experimental simulations and results on data sets before and after the use of PCA respectively. For this purpose simulated and real case data are employed. The first chapter of the thesis is devoted to the analytical definition of clustering and the presentation of several clustering techniques. In the second chapter, the PCA method is presented along with an extended study on criteria for determining the number of principal directions. Finally, the thesis ends with extensive experimental results, discussion and concluding remarks.