- / -

Τα νευρωνικά δίκτυα αποτελούν έναν σχετικά νέο επιστημονικό χώρο, καθώς η ανάπτυξή τους έχει λάβει χώρα κυρίως τις τελευταίες δεκαετίες. Τόσο τα επιτεύγματα που έχουν σημειωθεί με τη χρήση τους, όσο και η ολοένα αυξανόμενη ενασχόληση της επιστημονικής κοινότητας με αυτά, δικαιολογούν γιατί είναι ένας τομέας που παρουσιάζει ιδιαίτερο ενδιαφέρον. Ο όρος «Τεχνητό Νευρωνικό Δίκτυο» (ΤΝΔ) ή απλά Νευρωνικό Δίκτυο αναφέρεται σε ένα μαθηματικό μοντέλο που συνίσταται από απλά στοιχεία τα οποία λειτουργούν διατεταγμένα παράλληλα και καλούνται νευρώνες. Η σύλληψη αυτών των στοιχείων έχει εμπνευστεί από τα βιολογικά νευρικά συστήματα. Ωστόσο τα νευρωνικά δίκτυα έχουν πλέον αποκοπεί τελείως απ’την βιολογία και σήμερα χρησιμοποιούνται για την επίλυση κάθε είδους προβλήματος με ηλεκτρονικό υπολογιστή. Στόχος της παρούσας εργασίας ήταν η χρήση νευρωνικών δικτύων για την εκτίμηση της τάσης διάσπασης σε μονωτικά διάκενα αέρα. Με τον όρο «μόνωση» εννοούμε τα μέτρα που λαμβάνονται για να προσδώσουν σε μία διάταξη ή συσκευή την ικανότητα να αντέχει ορισμένες διηλεκτρικές καταπονήσεις. Αυτές προέρχονται είτε από τις τάσεις που αναπτύσσονται κατά την λειτουργία της ανάμεσα στα διάφορα στοιχεία της, είτε ανάμεσα σε στοιχεία της και στοιχεία κάποιας άλλης συσκευής ή την γή. Διηλεκτρική αντοχή μιας μόνωσης καλείται η ικανότητά της να αντέχει μια ορισμένη ηλεκτρική καταπόνηση χωρίς την μόνιμη ή πρόσκαιρη καταστροφή της. Ο αέρας αποτελεί επανορθούμενο υλικό, που σημαίνει ότι μετά από μία διάσπαση ανακτά όλα τα χαρακτηριστικά που είχε πρίν απ’αυτή. Η μόνωση αέρα είναι κατ’εξοχήν εξωτερική μόνωση και συναντάται σε διάφορες διατάξεις υψηλών τάσεων, όπως π.χ. η μόνωση του ζυγού και η μόνωση κατά μήκος της επιφάνειας του μονωτήρα. Η διηλεκτρική διάσπαση ενός διακένου αέρα καθορίζεται από ένα σύνολο παραμέτρων, πιο σημαντικές από τις οποίες θεωρούνται το μήκος και η γεωμετρία του διακένου, η πολικότητα, το εύρος και η μορφή της κρουστικής καταπόνησης, καθώς και η θερμοκρασία, η πυκνότητα και η υγρασία του αέρα. Επομένως το ζητούμενο ήταν να υλοποιηθεί ένα νευρωνικό δίκτυο το οποίο να μπορεί να μάθει την συσχέτιση μεταξύ της τάσης διάσπασης και των παραμέτρων που την καθορίζουν. Η αρχιτεκτονική δικτύου που υιοθετήθηκε είναι ένα νευρωνικό δίκτυο δύο στρωμάτων εμπρόσθιας τροφοδότησης που εκπαιδεύεται με την μέθοδο της οπισθοδιάδοσης του λάθους. Ως σιγμοειδής συνάρτηση μεταφοράς στο κρυμμένο στρώμα χρησιμοποιήθηκε η υπερβολική εφαπτομένη f(x)=tanhx, ενώ ως γραμμική συνάρτηση μεταφοράς στο στρώμα εξόδου χρησιμοποιήθηκε η ταυτοτική συνάρτηση f(x)=x. Η τοπολογία αυτή είναι η πιο διαδεδομένη για τέτοιου είδους εφαρμογές. Η συλλογή των δεδομένων που καθόρισαν το πρόβλημα, δηλαδή τα διανύσματα εισόδου και εξόδου, έγινε από ένα σύνολο πειραματικών μετρήσεων που πραγματοποιήθηκαν στο εργαστήριο, για διάκενα διάταξης Ακίδα-Πλάκα και Ράβδος-Πλάκα. Σε προγραμματιστικό περιβάλλον Matlab (έκδοση R2008b), και συγκεκριμένα με χρήση του Neural Network Toolbox™ 6, αρχικά δημιουργήθηκε ένα νευρωνικό δίκτυο το οποίο δεν λάβαινε υπόψη του τις παραμέτρους που αφορούν στην γεωμετρία του διακένου. Το διάνυσμα εισόδου αποτελούνταν από 6 στοιχεία, τα οποία ήταν το μήκος του διακένου, η διάρκεια μετώπου και η διάρκεια ουράς της κρουστικής καταπόνησης, η θερμοκρασία, η ατμοσφαιρική πίεση και η υγρασία του αέρα. Το διάνυσμα της επιθυμητής εξόδου (ή αλλιώς στόχος) αποτελούνταν από μία τιμή για την τάση διάσπασης. Η εκπαίδευση του δικτύου πραγματοποιήθηκε με την χρήση του αλγόριθμου Levenberg-Marquardt. Για την διάταξη Ακίδα-Πλάκα χρησιμοποιήθηκε ένα σύνολο 70 μετρήσεων, ενώ για την διάταξη Ράβδος-Πλάκα ένα σύνολο 66 μετρήσεων. Έπειτα δόθηκε ως είσοδος στο εκπαιδευμένο δίκτυο η μήτρα εισόδου του προτύπου εκπαίδευσης. Οι ιδανικές αποκρίσεις σε αυτές τις εισόδους ήταν οι στόχοι, οπότε οι αποκρίσεις του δικτύου συγκρίθικαν με τους αντίστοιχους προς αυτές στόχους, δηλαδή τις πειραματικές τιμές για την τάση διάσπασης. Επιπλέον με χρήση του Microsoft Excel τοποθετήθηκαν σε διαγράμματα οι τιμές των στόχων και των αποκρίσεων του δικτύου συναρτήσει του μήκους διακένου ανάλογα με την μορφή της κρουστικής καταπόνησης. Η ίδια διαδικασία επαναλήφθηκε και για ένα νευρωνικό δίκτυο που λαμβάνει υπόψη του την γεωμετρία του διακένου. Για την διάταξη Ακίδα-Πλάκα στις προαναφερθείσες παραμέτρους του διανύσματος εισόδου προστέθηκαν η διάμετρος της ράβδου, το εμβαδόν της πλάκας, η ακτίνα καμπυλότητας και η γωνία του κώνου απόληξης. Αυτή τη φορά δηλαδή το διάνυσμα εισόδου αποτελούνταν από 10 στοιχεία. Για την διάταξη Ράβδος-Πλάκα το διάνυσμα εισόδου αποτελούνταν από 9 στοιχεία, αφού η ακτίνα καμπυλότητας και η γωνία του κώνου απόληξης της προηγούμενης περίπτωσης αντικαθίστανται από την ακτίνα της ημισφαιρικής απόληξης. Και για τις δύο διατάξεις το διάνυσμα στόχων αποτελούνταν από ένα στοιχείο, την τάση διάσπασης. Τα αποτελέσματα κρίνονται ικανοποιητικά, καθώς οι αποκλίσεις των αποκρίσεων του δικτύου από τις πειραματικές τιμές της τάσης διάσπασης κυμαίνονται σε αποδεκτά επίπεδα. Επομένως αποδείχθηκε ότι το εκπαιδευμένο νευρωνικό δίκτυο μπορεί να πραγματοποιήσει αξιόπιστες εκτιμήσεις για την τιμή της τάσης διάσπασης ενός μονωτικού διακένου αέρα. Ωστόσο το διάνυσμα εισόδου που δέχεται το δίκτυο θα πρέπει να χαρακτηρίζεται από τις ίδιες παραμέτρους όπως και το διάνυσμα εισόδου του προτύπου εκπαίδευσης. / Neural networks are a relatively recent scientific field, since they have mainly been developed during the last decades. There is a large interest in them, as shown by the achievements produced by their use and the rapidly growing involvement of variable scientific fields with them. The term “Artificial Neural Network” or simply “Neural Network” refers to a mathematical model being composed of simple elements which are called neurons and operate in parallel. These elements are inspired by biological nervous systems. However, Neural Networks are no longer related to biology and are nowadays being used for solving problems of any kind with the use of a computer. This paper aimed to apply Neural Networks in a way suitable for the evaluation of the breakdown voltage in insulating air gaps. Here the term “insulation” refers to any installation used to set a device capable of taking a certain amount of dielectric stress. This stress to which the device is subjected may derive from a voltage developed between the operating device’s parts, or between its parts and some other device’s parts or the ground. The dielectric endurance of an insulation expresses its ability to take a dielectric stress without being either permanently or temporarily damaged. The air is a retrievable insulating material, which means that after it has been discharged, all its characteristics are regained. The air is being widely used in external insulation installations in many High Voltage devices or parts, such as a bus insulation in a substation or the insulation along an insulator’s surface. The electric discharge of an air gap is determined by a set of parameters, the most important of them being the gap’s length and overall geometry, the polarity, width and form of the imposed impulse voltage, and the air’s temperature, pressure and humidity. The purpose of this essay was the creation of a Neural Network, which would be able to learn the correlation between the breakdown voltage of an air gap (Target) and the parameters that define its value (Inputs). The network architecture used was a two-layer feedforward backpropagation network, with the hyperbolic tangent sigmoid transfer function f(x)=tanhx in the hidden layer and the linear transfer function f(x)=x in the output layer. This network architecture is considered the most appropriate one for such applications, that is function approximation. The data that defined the problem, that is the Input and Target vectors, were assembled from a set of measurements that were made during an experimental procedure carried out in the High-Voltage laboratory of the University of Patras. The type of the air gap that was used for the experiments was a rod-plane gap, with either a cone-terminated or a hemisphere-terminated rod. At first, using the Matlab (R2008b edition) Neural Network Toolbox™ 6, a neural network that didn’t take into account the parameters regarding the gap’s geometry was created. The Input vector consisted of 6 elements, them being the gap length, the wave-front and wave-tail duration of the imposed impulse voltage, and the air temperature, pressure and humidity. The Target vector consisted of one value for the breakdown voltage. The network’s training was performed by the the Levenberg-Marquardt algorithm. For the cone-terminated rod-plane gap a set of 70 measurements was used, while for the hemisphere-terminated gap a set of 66 measurements. Then the original Inputs matrix was applied to the trained network. The desired network response (called Outputs) to these inputs is the Targets matrix, so the Outputs were compared to their corresponding Targets (lab measured breakdown voltage values). After that, using the Microsoft Excel the Targets and Outputs values were placed at diagrams (Y-Axis),diversified according to the received voltage form and associated to the gap length values (X –Axis). The same procedure was later repeated for a neural network that takes into consideration the parameters describing the gap’s geometry. Regarding the cone-terminated rod-plane gap, apart from the previously mentioned input parameters, the Input vector would also comprise the rod’s diameter, the plane’s surface,and the cone’s angle and radius of curvature. So,this time the Input vector would consist of 10 elements. Regarding the hemisphere-terminated rod-plane gap the Input vector consisted of 9 elements, given that the cone’s angle and radius of curvature were replaced by the hemisphere’s radius. In both occasions the Targets vector comprised one element, that being the breakdown voltage. The results are viewed as satisfactory, given that the deviations between the networks’s responses (Outputs) and the measured values of the breakdown voltage (Targets) are considered acceptable. Therefore, it has been proved that a well trained neural network is able of reliably estimating the value of an air gap’s breakdown voltage. Nevertheless, the network’s Inputs vector must comprise the same parameters as the original Inputs vector used for the network’s training.

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 παρούσα διπλωματική μελέτη έχει ως αντικείμενο την αναβάθμιση της εργαστηριακής άσκησης "Έμπειρος και ασαφής έλεγχος βιολογικού αντιδραστήρα" του εργαστηρίου Γενικής Ηλεκτροτεχνίας και Τομέα Συστημάτων Αυτόματου Ελέγχου. Η αναβάθμιση του εξοπλισμού περιλαμβάνει την αντικατάσταση του παλιού προσωπικού υπολογιστή (PC) και του παλιού προγραμματιζόμενου λογικού ελεγκτή (PLC) με νέας γενιάς αντίστοιχα. Η αναβάθμιση του λογισμικού αφορά την ανάπτυξη της παραπάνω εργαστηριακής εφαρμογής με το λογισμικό Fuzzy Control V6++. Το παρόν έγγραφο είναι χωρισμένο σε έξι κεφάλαια στα οποία παρουσιάζονται οι βασικές έννοιες και δομές των συστημάτων βιολογικού καθαρισμού καθώς και οι βασικές έννοιες της ασαφούς λογικής, των ασαφών ελεγκτών και των νευρωνικών δικτύων χωρίς όμως να στέκεται τόσο στα στοιχεία της θεωρίας. Προσπαθήσαμε δηλαδή να δώσουμε στην εργασία αυτή τη μορφή ενός εγχειριδίου με την εκτενή παρουσίαση όλων των βημάτων και των προβλημάτων που ακολουθήσαμε και αντιμετωπίσαμε στο εργαστηριακό περιβάλλον για την ανάπτυξη του ασαφούς ελεγκτή με το νέο υλικό (λογισμικό και εξοπλισμό). / --

Μέχρι σήμερα οι διάφοροι αλγόριθμοι εκπαίδευσης συστημάτων ταξινόμησης καθώς και τα έμπειρα συστήματα λήψης αποφάσεων έχουν χρησιμοποιηθεί αρκετές φορές σε διάφορα προβλήματα ταξινόμησης και κατηγοριοποίησης σε διάφορους τομείς. Αυτό που θα μας απασχολήσει είναι η χρήση αυτών των συστημάτων στον ιατρικό τομέα και συγκεκριμένα στην πρόβλεψη της ασθένειας του στίγματος μεσογειακής αναιμίας (θαλασσαιμίας). Θα εξετάσουμε κυρίως τα νευρωνικά δίκτυα και τα ασαφή συστήματα λήψης αποφάσεων και θα τα μελετήσουμε την αποτελεσματικότητά τους στην πρόβλεψη του στίγματος μεσογειακής αναιμίας. Επίσης θα γίνει μια περιγραφή της αρχιτεκτονικής των νευρωνικών δικτύων και των συστημάτων ασαφούς λογικής καθώς και του τρόπου εξαγωγής αποτελεσμάτων. Όπως γνωρίζουμε μια προφανής δυσκολία που αντιμετωπίζουν τα νευρωνικά δίκτυα και έτσι δεν πολύ έμπιστα σε πρακτικά θέματα, είναι ότι δεν μας δίνουν μια αμερόληπτη εκτίμηση για την αξιοπιστία μιας απλής ταξινόμησης. Ακόμη, μια άλλη δυσκολία όσο αφορά τα συστήματα ασαφούς λογικής είναι η επιλογή των παραμέτρων και των τιμών. Για τον υπολογισμό της αξιοπιστίας του συστήματος, θα γίνει σύγκριση με τα πραγματικά αποτελέσματα και θα υπολογιστεί η απόκλιση των αποτελεσμάτων από την πραγματικότητα. Επιπλέον, θα παρουσιαστεί και μια διαδικτυακή έκδοση των παραπάνω εργαλείων - συστημάτων ώστε να μπορούμε να εξάγουμε μια πρόβλεψη – απόφαση για έναν ασθενή μέσω του διαδικτύου και μιας απλής διεπαφής. / Until today, the various algorithms for training systems of classification and the fuzzy logic systems have solved various problems successfully. In this project, we will investigate the behavior of the above systems for solving the prediction of the disease thalassemia. We will investigate the neural networks and fuzzy logic systems and the reliability of the classification of various patterns for the thalassemia. Also, we will present a web version of a system that implements neural network and fuzzy logic, and it can be used from a single web-user.

Στην εργασία που ακολουθεί μελετήθηκε η χρήση μεθόδων της υπολογιστικής νοημοσύνης στην πρόβλεψη της κίνησης της ισοτιμίας νομισμάτων. Για να γίνει αυτό αναπτύχθηκε ένας υβριδικός αλγόριθμος που χρησιμοποιεί νευρωνικά δύκτια και γενετικούς αλγόριθμους. Στο Πρώτο Κεφάλαιο παρουσιάζεται η ϑεωρία των νευρωνικών δικτύων, οι αρχιτεκτονικές και οι μέθοδοι εκπαίδευσής τους. Επιπλέον παρουσιάζονται οι γενετικοί αλγόριθμοι και ο γενικός τρόπος λειτουργίας τους. Στο Δεύτερο Κεφάλαιο εξετάζεται το πρόβλημα της πρόγνωσης, από την σκοπιά των νευρωνικών δικτύων, καθώς και η προβλεψιμότητα των οικονομικών χρονοσειρών. Επιπλέον παρουσιάζονται υβριδικά συστήματα που χρησιμοποιούνται για την πρόβλεψη χρονοσειρών και επεξηγείται ο τρόπος λειτουργίας του αλγορίθμου που αναπτύχθηκε εδώ. Επιπλέον παρατίθενται τα αποτελέσματα της χρήσης του λογισμικού που αναπτύχθηκε, στην πρόγνωση της μεταβολής της ισοτιμίας νομισμάτων. Στο Παράρτημα παρέχεται ο πλήρης κώδικας που αναπτύχθηκε σε MATLAB. / --

Η παρούσα διατριβή πραγματεύεται την αναγνώριση ομιλητή σε πραγματικές συνθήκες. Τα κύρια σημεία της εργασίας είναι: (1) αξιολόγηση διαφόρων προσεγγίσεων εξαγωγής χαρακτηριστικών παραμέτρων ομιλίας, (2) μείωση της ισχύος της περιβαλλοντικής επίδρασης στην απόδοση της αναγνώρισης ομιλητή, και (3) μελέτη τεχνικών κατηγοριοποίησης, εναλλακτικών προς τις υπάρχουσες. Συγκεκριμένα, στο (1), προτείνεται μια νέα δομή εξαγωγής παραμέτρων ομιλίας βασισμένη σε πακέτα κυματομορφών, κατάλληλα σχεδιασμένη για αναγνώριση ομιλητή. Εξάγεται με ένα αντικειμενικό τρόπο σε σχέση με την απόδοση αναγνώρισης ομιλητή, σε αντίθεση με την MFCC προσέγγιση, που βασίζεται στην προσέγγιση της αντίληψης της ανθρώπινης ακοής. Έπειτα, στο (2), δίνεται μια δομή για την εξαγωγή παραμέτρων βασισμένη στα MFCC, ανεκτική στο θόρυβο, για την βελτίωση της απόδοσης της αναγνώρισης ομιλητή σε πραγματικό περιβάλλον. Συνοπτικά, μια τεχνική μείωσης του θορύβου βασισμένη σε μοντέλο προσαρμοσμένη στο πρόβλημα της επιβεβαίωσης ομιλητή ενσωματώνεται απευθείας στη δομή υπολογισμού των MFCC. Αυτή η προσέγγιση επέδειξε σημαντικό πλεονέκτημα σε πραγματικό και ταχέως μεταβαλλόμενο περιβάλλον. Τέλος, στο (3), εισάγονται δύο νέοι κατηγοριοποιητές που αναφέρονται ως Locally Recurrent Probabilistic Neural Network (LR PNN), και Generalized Locally Recurrent Probabilistic Neural Network (GLR PNN). Είναι υβρίδια μεταξύ των Recurrent Neural Network (RNN) και Probabilistic Neural Network (PNN) και συνδυάζουν τα πλεονεκτήματα των γεννετικών και διαφορικών προσσεγγίσεων κατηγοριοποίησης. Επιπλέον, τα νέα αυτά νευρωνικά δίκτυα είναι ευαίσθητα σε παροδικές και ειδικές συσχετίσεις μεταξύ διαδοχικών εισόδων, και έτσι, είναι κατάλληλα για να αξιοποιήσουν την συσχέτιση παραμέτρων ομιλίας μεταξύ πλαισίων ομιλίας. Κατά την εξαγωγή των πειραμάτων, διαφάνηκε ότι οι αρχιτεκτονικές LR PNN και GLR PNN παρέχουν καλύτερη απόδοση, σε σχέση με τα αυθεντικά PNN. / This dissertation dials with speaker recognition in real-world conditions. The main accent falls on: (1) evaluation of various speech feature extraction approaches, (2) reduction of the impact of environmental interferences on the speaker recognition performance, and (3) studying alternative to the present state-of-the-art classification techniques. Specifically, within (1), a novel wavelet packet-based speech features extraction scheme fine-tuned for speaker recognition is proposed. It is derived in an objective manner with respect to the speaker recognition performance, in contrast to the state-of-the-art MFCC scheme, which is based on approximation of human auditory perception. Next, within (2), an advanced noise-robust feature extraction scheme based on MFCC is offered for improving the speaker recognition performance in real-world environments. In brief, a model-based noise reduction technique adapted for the specifics of the speaker verification task is incorporated directly into the MFCC computation scheme. This approach demonstrated significant advantage in real-world fast-varying environments. Finally, within (3), two novel classifiers referred to as Locally Recurrent Probabilistic Neural Network (LR PNN), and Generalized Locally Recurrent Probabilistic Neural Network (GLR PNN) are introduced. They are hybrids between Recurrent Neural Network (RNN) and Probabilistic Neural Network (PNN) and combine the virtues of the generative and discriminative classification approaches. Moreover, these novel neural networks are sensitive to temporal and special correlations among consecutive inputs, and therefore, are capable to exploit the inter-frame correlations among speech features derived for successive speech frames. In the experimentations, it was demonstrated that the LR PNN and GLR PNN architectures provide benefit in terms of performance, when compared to the original PNN.

Στην εργασία αυτή ασχολούμαστε με την αξιοποίηση των δεδομένων από διαφορετικά κοινωνικά δίκτυα (πιο συγκεκριμένα από Foursquare και Facebook) με σκοπό να ταυτοποιήσουμε τις ίδιες τοποθεσίες (ή αλλιώς σημεία ενδιαφέροντος) που έχουν εισαχθεί σε αυτά τα δίκτυα. Το πρόβλημα της ταυτοποίησης είναι σημαντικό να λυθεί διότι έτσι θα μπορούσε να αποκτηθεί μια καλύτερη εικόνα για τις αλληλεπιδράσεις των χρηστών με το φυσικό περιβάλλον με τη χρήση των μέσων κοινωνικής δικτύωσης (social data). Αυτό σημαίνει ταυτόχρονα και καλύτερη ανάλυση και αξιοποίηση αυτών δεδομένων, αφού θα έχουμε αναγνωρίσει μεγάλο μέρος των κοινών σημείων ενδιαφέροντος από ετερογενή σύνολα δεδομένων από τα μέσα κοινωνικής δικτύωσης. Μια λύση στο πρόβλημα είναι η χρήση των αλγορίθμων μηχανικής μάθησης, που θα αποφασίζουν αν ένα ζεύγος σημείων αντιπροσωπεύει το ίδιο σημείο ενδιαφέροντος. / In this paper we deal with the exploitation of data from different social networks (more specifically from Foursquare and Facebook) in order to identify the same locations (or landmarks ) introduced in these networks . The problem of identification is important to solve it so he could get a better picture of the user interactions with the natural environment through the use of social media (social data). This means simultaneously and better analysis and use of such data , since we recognize much of the common points of interest from heterogeneous datasets from social media . One solution to this problem is the use of machine learning algorithms , which will decide whether a pair of points represents the same point of interest .

Η παρούσα διπλωματική εργασία πραγματεύεται την χρήση τεχνητών νευρωνικών δικτύων για την δημιουργία ενός αξιόπιστου μοντέλου πρόβλεψης της μέγιστης ημερήσιας συγκέντρωσης του τροποσφαιρικού όζοντος σε αστικό περιβάλλον. Η ανάλυση και η πρόβλεψη των επιπέδων της ατμοσφαιρικής ρύπανσης, είναι σημαντικά θέματα της ατμοσφαιρικής και περιβαλλοντικής έρευνας, λόγω του αντίκτυπου που έχει η ατμοσφαιρική ρύπανση στην υγεία και την ποιότητα ζωής του ανθρώπου. Ένας από τους πιο σημαντικούς ρύπους είναι το τροποσφαιρικό όζον (O3), και ειδικότερα το όζον του κατώτερου οριακού στρώματος της ατμόσφαιρας (επιφανειακό ή surface ozone). Επομένως, η πρόβλεψη της μέγιστης συγκέντρωσης όζοντος στις πυκνοκατοικημένες αστικές περιοχές, είναι μεγάλης σπουδαιότητας για τον έλεγχο και τη βελτίωση της ποιότητας της ατμόσφαιρας. Μέχρι σήμερα, αν και διάφορα μοντέλα πρόβλεψης όζοντος έχουν ερευνηθεί, υπάρχει ακόμα η ανάγκη για ακριβέστερα μοντέλα, έτσι ώστε να αναπτυχθούν αποτελεσματικές στρατηγικές πρόληψης και ελέγχου σε περιπτώσεις που οι οριακές τιμές όζοντος ξεπερνιούνται πέρα από κάποιο συγκεκριμένο χρονικό διάστημα (επεισόδιο ρύπανσης). Χρησιμοποιήθηκαν χρονοσειρές συγκέντρωσης όζοντος και άλλων ρύπων που οδηγούν στην δημιουργία του, από το σταθμό της “Λυκόβρυσης” και του “Αμαρουσίου”, καθώς και μετεωρολογικά δεδομένα που σχετίζονται με την δημιουργία, καταστροφή και διασπορά ή διάχυση του όζοντος. Κατά τη βελτιστοποίηση του νευρωνικού δικτύου, δόθηκε έμφαση στην κατά το δυνατόν ακριβέστερη πρόγνωση των αυξημένων τιμών της συγκέντρωσης Ο3 (επεισόδια ρύπανσης για [Ο3] >=180 μg/m3), για τις οποίες απαιτείται η λήψη εκτάκτων μέτρων. Τα Τεχνητά Νευρωνικά Δίκτυα, όπως αποδείχθηκε, αποτελούν μια πολύ καλή εναλλακτική λύση ως προς τις παραδοσιακές στατιστικές τεχνικές, καθώς για την εκπαίδευσή τους χρησιμοποιούνται διαθέσιμα στοιχεία προηγούμενων μετρήσεων αλλά και λόγω της ικανότητάς τους να χειρίζονται δεδομένα με μη γραμμικές σχέσεις μεταξύ τους. Αρχικά δοκιμάστηκαν διαφορετικές αρχιτεκτονικές νευρωνικών δικτύων επιτρέπουν την κατηγοριοποίηση των πρότυπων δεδομένων εισόδου, όπως οι χάρτες Kohonen, τα δίκτυα επιβλεπόμενης κατηγοριοποίησης LVQ και τα στοχαστικά RBF δίκτυα με σκοπό το μοίρασμα των δεδομένων εισόδου σε κατηγορίες σύμφωνα με τα επίπεδα όζοντος. Στη συνέχεια ελέγχθηκε η δυνατότητα πρόβλεψης με την χρήση πολυστρωματικών αντιληπτήρων πρόσθιας τροφοδότησης (Multilayer Feed-Forward) και εποπτευόμενης μάθησης μέσω διόρθωσης σφάλματος με ανατροφοδότηση (Back Propagation), γνωστά ως ΜultiLayer Perceptrons ή MLPs που έδωσαν και τα καλύτερα αποτελέσματα. Η απόδοση ενός μοντέλου πρόβλεψης της συγκέντρωσης του όζοντος της χαμηλής τροπόσφαιρας μπορεί να κριθεί από το ποσοστό των επεισοδίων που θα προβλεφθούν σωστά από το μοντέλο, σε αντιδιαστολή με το ποσοστό των ψεύτικων-λανθασμένων συναγερμών (δηλ. προβλέψεις επεισοδίων ρύπανσης που δεν συνέβησαν στην πραγματικότητα). Ο δείκτης απόδοσης SI, είναι ο δείκτης υψηλότερης σπουδαιότητας καθώς αντιπροσωπεύσει την απόδοση στην πρόβλεψη των επεισοδίων αλλά και στην γενικότερη συμφωνία μεταξύ των προβλεφθέντων και παρατηρηθέντων δεδομένων. Στο σταθμό της “Λυκόβρυσης” ο δείκτης απόδοσης SI κυμάνθηκε από 0,943 έως 0,831 και ο λόγος των ψεύτικων συναγερμών FA από 0 έως 0,014 ενώ στο σταθμό του “Αμαρουσίου” ο δείκτης απόδοσης SI κυμάνθηκε από 0,777 έως 0,68 και ο λόγος των ψεύτικων συναγερμών FA από 0,211 έως 0,234. / This study deals with the use of artificial neural networks for ground-level ozone modeling in the Athens area. Forecasting next day’s maximum hourly ozone concentration is an important topic of air quality research nowadays. The continuing worldwide environmental problem suggests the need for more accurate forecasting models. Development of such models is a difficult task as the meteorological variables and the photochemical reactions involved in ozone formation are complex. Meteorological variables and concentrations of ozone and ozone precursors, from two monitoring stations “Lykovrisi” and “Marousi”, are used as inputs in order to obtain the best estimate of the next day’s maximum hourly ozone concentration. The violation of the European public information threshold (ozone episode), defined by control authorities, of 180 μg/m3 is successfully predicted in most cases. Neural networks seem to be very well situated since they allow for nonlinear relations among input variables. Several architectures of Neural Networks were tested but Multi-Layer Perceptrons (MLPs) came up with the best results. At “Lykovrisi” monitoring station the Success Index (SI) that is able to represent performance in forecasting exceedances as well as the overall goodness between predicted and measured data, varied from 0.943 to 0.831 and the fraction of False Alarms (FA) that represents predicted episodes that didn’t happen to the overall number of predicted episodes, varied from 0 to 0.014. At “Marousi” monitoring station the SI varied from 0.777 to 0.68 and the fraction of False Alarms (FA) from 0.211 to 0.234.