Spelling suggestions: "subject:"στατιστικές μέθοδος"" "subject:"στατιστικές μέθοδο""
1 |
Μοντελοποίηση και συμπερασμός υπό συνθήκες αβεβαιότητας σε διαλογικά και άλλα συστήματα φυσικής γλώσσας με τεχνικές δικτύων BayesΜαραγκουδάκης, Εμμανουήλ Σ. 05 July 2010 (has links)
- / -
|
2 |
Αυτόματη εξαγωγή λεξικής - σημασιολογικής γνώσης από ηλεκτρονικά σώματα κειμένων με χρήση ελαχίστων πόρων / Automatic extraction of lexico - semantic knowledge from electronic text corpora using minimal resourcesΘανόπουλος, Αριστομένης 25 June 2007 (has links)
Το αντικείμενο της διατριβής είναι η μελέτη μεθόδων αυτόματης εξαγωγής των συμφράσεων και των σημασιολογικών ομοιοτήτων των λέξεων από μεγάλα σώματα κειμένων. Υιοθετείται μια προσέγγιση ελάχιστων γλωσσικών πόρων που εξασφαλίζει την απεριόριστη μεταφερσιμότητα των μεθόδων σε φυσικές γλώσσες και θεματικές περιοχές. Για την αξιολόγηση των προτεινόμενων μεθόδων προτείνονται, αξιολογούνται και εφαρμόζονται μεθοδολογίες με βάση πρότυπες βάσεις λεξικής γνώσης (στην Αγγλική), όπως το WordNet. Για την εξαγωγή των συμφράσεων προτείνονται νέα μέτρα εξαγωγής στατιστικά σημαντικών διγράμμων και γενικά ν-γράμμων που αξιολογούνται θετικά. Για την εξαγωγή των λεξικών - σημασιολογικών ομοιοτήτων των λέξεων ακολουθείται καταρχήν η προσέγγιση ομοιότητας περικειμένων λέξεων με παραθυρικές μεθόδους, όπου μελετώνται το πεδίο συμφραζομένων, το φιλτράρισμα των συνεμφανίσεων των λέξεων, τα μέτρα ομοιότητας, όπου εισάγεται ο παράγοντας του αριθμού κοινών παραμέτρων, καθώς και η αντιμετώπιση συστηματικών σφαλμάτων, ενώ προτείνεται η αξιοποίηση των λειτουργικών λέξεων. Επιπλέον, προτείνεται η αξιοποίηση της ομοιότητας περικείμενων εκφράσεων, που απαντάται συχνά σε θεματικώς εστιασμένα κείμενα, με ένα αλγόριθμο βασισμένο στην ετεροσυσχέτιση ακολουθιών λέξεων. Μελετάται η μεθοδολογία αξιοποίησης των παρατακτικών συνδέσεων ενώ προτείνεται μια μέθοδος ενοποίησης ετερογενών σωμάτων γνώσης λεξικών – σημασιολογικών ομοιοτήτων. Τέλος, η εξαχθείσα γνώση μετασχηματίζεται σε σημασιολογικές κλάσεις με μια συμβολική μέθοδο ιεραρχικής ομαδοποίησης και επίσης ενσωματώνεται επιτυχώς σε ένα διαλογικό σύστημα μηχανικής μάθησης όπου ενισχύει την απόδοση της αναγνώρισης του σκοπού του χρήστη συμβάλλοντας στην εκτίμηση του ρόλου των άγνωστων λέξεων. / The research described in this dissertation regards automatic extraction of collocations and lexico-semantic similarities from large text corpora. We follow an approach based on minimal linguistic resources in order to achieve unrestricted portability across languages and thematic domains. In order to evaluate the proposed methods we propose, evaluate and apply methodologies based on English gold standard lexical resources, such as WordNet. For the extraction of collocations we propose and test a few novel measures for the identification of statistically significant bigrams and, generally, n-grams, which exhibit strong performance. For the extraction of lexico-semantic similarities we follow a distributional window-based approach. We study the contextual scope, the filtering of lexical co-occurrences and the performance of similarity measures. We propose the incorporation of the number of common parameters into the latter, the exploitation of functional words and a method for the elimination of systematic errors. Moreover, we propose a novel approach to exploitation of word sequence similarities, common in technical texts, based on cross-correlation of word sequences. We refine an approach for word similarity extraction from coordinations and we propose a method for the amalgamation of lexico-semantic similarity databases extracted via different principles and methods. Finally, the extracted similarity knowledge is transformed in the form of soft hierarchical semantic clusters and it is successfully incorporated into a machine learning based dialogue system, reinforcing the performance of user’s plan recognition by estimating the semantic role of unknown words.
|
3 |
Ανάπτυξη συστήματος υποστήριξης ιατρικών αποφάσεων μέσω δικτύων πεποίθησης για την πρόγνωση ασθενών με κρανιοεγκεφαλικές κακώσειςΣακελλαρόπουλος, Γεώργιος 14 April 2010 (has links)
- / -
|
4 |
Advanced functional and sequential statistical time series methods for damage diagnosis in mechanical structures / Εξελιγμένες συναρτησιακές και επαναληπτικές στατιστικές μέθοδοι χρονοσειρών για την διάγνωση βλαβών σε μηχανολογικές κατασκευέςΚοψαυτόπουλος, Φώτης 01 February 2013 (has links)
The past 30 years have witnessed major developments in vibration based damage detection and identification, also collectively referred to as damage diagnosis. Moreover, the past 10 years have seen a rapid increase in the amount of research related to Structural Health Monitoring (SHM) as quantified by the significant escalation in papers published on this subject. Thus, the increased interest in this engineering field and its associated potential constitute the main motive for this thesis.
The goal of the thesis is the development and introduction of novel advanced functional and sequential statistical time series methods for vibration based damage diagnosis and SHM. After the introduction of the first chapter, Chapter II provides an experimental assessment and comparison of vibration based statistical time series methods for Structural Health Monitoring (SHM) via their application on a lightweight aluminum truss structure and a laboratory scale aircraft skeleton structure. A concise overview of the main non-parametric and parametric methods is presented, including response-only and excitation-response schemes. Damage detection and identification are based on univariate (scalar) versions of the methods, while both scalar (univariate) and vector (multivariate) schemes are considered. The methods' effectiveness for both damage detection and identification is assessed via various test cases corresponding to different damage scenarios, multiple experiments and various sensor locations on the considered structures. The results of the chapter confirm the high potential and effectiveness of vibration based statistical time series methods for SHM.
Chapter III investigates the identification of stochastic systems under multiple operating conditions via Vector-dependent Functionally Pooled (VFP) models. In many applications a system operates under a variety of operating conditions (for instance operating temperature, humidity, damage location, damage magnitude and so on) which affect its dynamics, with each condition kept constant for a single commission cycle. Typical examples include mechanical structures operating under different environmental conditions, aircrafts under different flight conditions (altitude, velocity etc.), structures under different structural health states (various damage locations and magnitudes). In this way, damage location and magnitude may be considered as parameters that affect the operating conditions and as a result the structural dynamics. This chapter's work is based on the novel Functional Pooling (FP) framework, which has been recently introduced by the Stochastic Mechanical Systems \& Automation (SMSA) group of the Mechanical Engineering and Aeronautics Department of University of Patras. The main characteristic of Functionally Pooled (FP) models is that their model parameters and innovations sequence depend functionally on the operating parameters, and are projected on appropriate functional subspaces spanned by mutually independent basis functions. Thus, the fourth chapter of the thesis addresses the problem of identifying a globally valid and parsimonious stochastic system model based on input-output data records obtained under a sample of operating conditions characterized by more than one parameters. Hence, models that include a vector characterization of the operating condition are postulated. The problem is tackled within the novel FP framework that postulates proper global discrete-time linear time series models of the ARX and ARMAX types, data pooling techniques, and statistical parameter estimation. Corresponding Vector-dependent Functionally Pooled (VFP) ARX and ARMAX models are postulated, and proper estimators of the Least Squares (LS), Maximum Likelihood (ML), and Prediction Error (PE) types are developed. Model structure estimation is achieved via customary criteria (Bayesian Information Criterion) and a novel Genetic Algorithm (GA) based procedure. The strong consistency of the VFP-ARX least squares and maximum likelihood estimators is established, while the effectiveness of the complete estimation and identification method is demonstrated via two Monte Carlo studies.
Based on the postulated VFP parametrization a vibration based statistical time series method that is capable of effective damage detection, precise localization, and magnitude estimation within a unified stochastic framework is introduced in Chapter IV. The method constitutes an important generalization of the recently introduced Functional Model Based Method (FMBM) in that it allows, for the first time in the statistical time series methods context, for complete and precise damage localization on continuous structural topologies. More precisely, the proposed method can accurately localize damage anywhere on properly defined continuous topologies on the structure, instead of pre-defined specific locations. Estimator uncertainties are taken into account, and uncertainty ellipsoids are provided for the damage location and magnitude. To achieve its goal, the method is based on the extended class of Vector-dependent Functionally Pooled (VFP) models, which are characterized by parameters that depend on both damage magnitude and location, as well as on proper statistical estimation and decision making schemes. The method is validated and its effectiveness is experimentally assessed via its application to damage detection, precise localization, and magnitude estimation on a prototype GARTEUR-type laboratory scale aircraft skeleton structure. The damage scenarios considered consist of varying size small masses attached to various continuous topologies on the structure. The method is shown to achieve effective damage detection, precise localization, and magnitude estimation based on even a single pair of measured excitation-response signals.
Chapter V presents the introduction and experimental assessment of a sequential statistical time series method for vibration based SHM capable of achieving effective, robust and early damage detection, identification and quantification under uncertainties. The method is based on a combination of binary and multihypothesis versions of the statistically optimal Sequential Probability Ratio Test (SPRT), which employs the residual sequences obtained through a stochastic time series model of the healthy structure. In this work the full list of properties and capabilities of the SPRT are for the first time presented and explored in the context of vibration based damage detection, identification and quantification. The method is shown to achieve effective and robust damage detection, identification and quantification based on predetermined statistical hypothesis sampling plans, which are both analytically and experimentally compared and assessed. The method's performance is determined a priori via the use of the analytical expressions of the Operating Characteristic (OC) and Average Sample Number (ASN) functions in combination with baseline data records, while it requires on average a minimum number of samples in order to reach a decision compared to most powerful Fixed Sample Size (FSS) tests. The effectiveness of the proposed method is validated and experimentally assessed via its application on a lightweight aluminum truss structure, while the obtained results for three distinct vibration measurement positions prove the method's ability to operate based even on a single pair of measured excitation-response signals.
Finally, Chapter VI contains the concluding remarks and future perspectives of the thesis. / Κατά τη διάρκεια των τελευταίων 30 ετών έχει σημειωθεί σημαντική ανάπτυξη στο πεδίο της ανίχνευσης και αναγνώρισης βλαβών, το οποίο αναφέρεται συνολικά και σαν διάγνωση βλαβών. Επίσης, κατά την τελευταία δεκαετία έχει σημειωθεί σημαντική πρόοδος στον τομέα της παρακολούθησης της υγείας (δομικής ακεραιότητας) κατασκευών. Στόχος αυτής της διατριβής είναι η ανάπτυξη εξελιγμένων συναρτησιακών και επαναληπτικών μεθόδων χρονοσειρών για τη διάγνωση βλαβών και την παρακολούθηση της υγείας κατασκευών υπό ταλάντωση. Αρχικά γίνεται η πειραματική αποτίμηση και κριτική σύγκριση των σημαντικότερων στατιστικών μεθόδων χρονοσειρών επί τη βάσει της εφαρμογής τους σε πρότυπες εργαστηριακές κατασκευές. Εφαρμόζονται μη-παραμετρικές και παραμετρικές μέθοδοι που βασίζονται σε ταλαντωτικά σήματα διέγερσης και απόκρισης των κατασκευών. Στη συνέχεια αναπτύσσονται στοχαστικά συναρτησιακά μοντέλα για την στοχαστική αναγνώριση κατασκευών υπό πολλαπλές συνθήκες λειτουργίας. Τα μοντέλα αυτά χρησιμοποιούνται για την αναπαράσταση κατασκευών σε διάφορες καταστάσεις βλάβης (θέση και μέγεθος βλάβης), ώστε να είναι δυνατή η συνολική μοντελοποίσή τους για όλες τις συνθήκες λειτουργίας. Τα μοντέλα αυτά αποτελούν τη βάση στην οποία αναπτύσσεται μια συναρτησιακή μέθοδος η οποία είναι ικανή να αντιμετωπίσει συνολικά και ενιαία το πρόβλημα της ανίχνευσης, εντοπισμού και εκτίμησης βλαβών σε κατασκευές. Η πειραματική αποτίμηση της μεθόδου γίνεται με πολλαπλά πειράματα σε εργαστηριακό σκελετό αεροσκάφους. Στο τελευταίο κεφάλαιο της διατριβής προτείνεται μια καινοτόμος στατιστική επαναληπτική μέθοδο για την παρακολούθηση της υγείας κατασκευών. Η μέθοδος κρίνεται αποτελεσματική υπό καθεστώς λειτουργικών αβεβαιοτήτων, καθώς χρησιμοποιεί επαναληπτικά και στατιστικά τεστ πολλαπλών υποθέσεων. Η αποτίμηση της μεθόδου γίνεται με πολλαπλά εργαστηριακά πειράματα, ενώ η μέθοδος κρίνεται ικανή να λειτουργήσει με τη χρήση ενός ζεύγους ταλαντωτικών σημάτων διέγερσης-απόκρισης.
|
Page generated in 0.0476 seconds