Η παρούσα εργασία αποτελείται από έξι κεφάλαια, τα οποία έχουν την εξής δομή: Στο κεφάλαιο 1 γίνεται μια εισαγωγή στο πρόβλημα του καρκίνου του μαστού, κάνοντας αρχικά μία παρουσίαση της ανατομίας και της φυσιολογίας του μαστού. Στη συνέχεια γίνεται μια αναφορά στο πως αναπτύσσεται ο καρκίνος του μαστού, ποιοι προδιαθεσιακοί παράγοντες υπάρχουν και πως αντιμετωπίζεται. Επίσης περιγράφονται και τα διάφορα είδη καρκινικών ευρημάτων. Αναλύονται τα διάφορα διαγνωστικά μέσα δίνοντας έμφαση στη μαστογραφία ως μέσο απεικόνισης του καρκίνου, στον τρόπο που παράγεται, ψηφιοποιείται και ερμηνεύεται. Τέλος γίνεται αναφορά στα πλεονεκτήματα που προκύπτουν από τη χρήση του υπολογιστή στη μαστογραφική μελέτη. Στο κεφάλαιο 2 γίνεται αναφορά στις μεθόδους ψηφιακής επεξεργασίας και ανάλυσης εικόνας που εφαρμόζονται στη μαστογραφία. Αναλύονται μια σειρά από τεχνικές βελτίωσης της ποιότητας των ψηφιακών μαστογραφιών, δίνοντας έμφαση στην έννοια του ιστογράμματος εικόνας και στις διάφορες τεχνικές τροποποίησης του. Τέλος γίνεται αναφορά στην υφή της εικόνας και στις διάφορες παραμέτρους που χρησιμοποιούνται στην ψηφιακή ανάλυση ενός μαστογραφήματος όπως επίσης και στην διαδικασία κατάταξης των διαφόρων περιοχών του σε υγιή και μη φυσιολογικά. Στο κεφάλαιο 3 αναλύεται μια άλλη ομάδα μεθόδων ανάλυσης εικόνας μαστογραφιών η οποία μπορεί να περιγραφεί ως τεχνικές ανίχνευσης ανωμαλιών. Αυτές οι μέθοδοι προσπαθούν να εντοπίσουν συγκεκριμένες ανωμαλίες, όπως οι μικροαποτιτανώσεις, οι οζώδεις σκιάσεις, ή οι αλλοιώσεις της δομής των γειτονικών ιστών μέσα στις εικόνες μαστογραφιών. Αυτές οι μέθοδοι ταξινομούνται στην ερευνητική περιοχή της επεξεργασίας εικόνας για τον εντοπισμό των ανωμαλιών στις μαστογραφίες. Στο κεφάλαιο 4 της διπλωματικής εργασίας γίνεται παρουσίαση της συγκριτικής ανάλυσης που χρησιμοποιείται για την ερμηνεία των ψηφιακών μαστογραφημάτων. Γίνεται αναφορά στα είδη της, στα στάδια από τα οποία αποτελείται καθώς και στις δυσκολίες που παρουσιάζονται κατά την εφαρμογή της. Αναλύεται η διαδικασία της συστοίχισης μαστογραφημάτων, που είναι ένα από τα πιο βασικά αλλά και συνάμα από τα πιο πολύπλοκα στάδια της συγκριτικής ανάλυσης και τέλος γίνεται εκτενής αναφορά στο συντελεστή ετεροσυσχέτισης ως μέσο για την αναγνώριση και τη συστοίχιση δισδιάστατων προτύπων. Στο κεφάλαιο 5 αναλύονται τα συστήματα ταξινόμησης προτύπων που χρησιμοποιούνται για την αναγνώριση των υπόπτων περιοχών στα ψηφιακά μαστογραφήματα. Δίνεται έμφαση στα τεχνητά νευρωνικά δίκτυα, που αποτελούν τα πιο ευρέως χρησιμοποιούμενα συστήματα απόφασης στο χώρο αυτό, και ιδιαίτερα στα δίκτυα ακτινικών συναρτήσεων που χρησιμοποιήθηκαν στην παρούσα διπλωματική εργασία. Στο κεφάλαιο 6 περιγράφονται τρεις ξεχωριστές μελέτες. Αρχικά μελετήθηκε το πρόβλημα της συστοίχισης ψηφιακών μαστογραφιών. Το πρώτο στάδιο της συγκριτικής ανάλυσης μαστογραφημάτων, είτε αυτή είναι δίπλευρη είτε πρόσκαιρη, είναι η συστοίχιση των αντίστοιχων μαστογραφημάτων. Στο σύστημα που υλοποιήθηκε, επιδιώκουμε τη συστοίχιση μαστογραφημάτων μέσω της εξαγωγής του περιγράμματος κάθε μαστού και της ελαχιστοποίησης της διαφοράς των εμβαδών τους. Βρίσκοντας την ελάχιστη τιμή του εμβαδού μετατοπίζοντας στο χώρο την μια μαστογραφία υπολογίζουμε ταυτόχρονα και τη θέση του καλύτερου ταιριάσματος των δύο μαστογραφημάτων. Έπειτα μελετήθηκαν διάφορες τοπολογίες νευρωνικών δικτύων ακτινικών συναρτήσεων. Ως παραμέτρους –εισόδους στο νευρωνικό δίκτυο- χρησιμοποιήσαμε στατιστικούς περιγραφείς της υφής. Οι πιο απλές τεχνικές περιγραφής της υφής, με πολύ καλή απόδοση, είναι οι στατιστικές τεχνικές που βασίζονται στα ιστογράμματα των περιοχών, τις επεκτάσεις τους και τις ροπές τους. Πραγματοποιήθηκαν αξιολογήσεις του συστήματος αναγνώρισης για ροπές από 1ης έως και 15ης τάξης ώστε να βρεθεί ο αριθμός που μας εξασφαλίζει την καλύτερη απόδοση. Η καλύτερη τοπολογία του δικτύου χρησιμοποιήθηκε για την ανάπτυξη ενός συστήματος ανίχνευσης υπόπτων περιοχών σε ψηφιακές μαστογραφίες. Τέλος αναπτύσσεται διεξοδικά σύστημα ανίχνευσης υπόπτων περιοχών σε ψηφιακά μαστογραφήματα Η ταξινόμηση πραγματοποιείται με στατιστικούς περιγραφείς της υφής ενώ ο έλεγχος γίνεται μέσω χρήσης νευρωνικού δικτύου ακτινικών συναρτήσεων. Το σύστημα ανίχνευσης δίνει ως αποτέλεσμα τα αρχικά μαστογραφήματα σηματοδοτημένα με τις πλέον ύποπτες περιοχές για την ύπαρξη νεοπλασίας. Παρουσιάζονται αναλυτικά τα στάδια που ακολουθήθηκαν για τη υλοποίηση του συστήματος, τα πειραματικά αποτελέσματα, τα προβλήματα που αντιμετωπίστηκαν και τα συμπεράσματα που εξήχθησαν. / -

Η διπλωματική εργασία ασχολείται με τον χαρακτηρισμό σημάτων ακουστικής εκπομπής και της πηγής τους μέσω της επεξεργασίας χαρακτηριστικών παραμέτρων που έχουν εξαχθεί από αυτά. Θεωρητικό υπόβαθρο της εργασίας είναι οι επιστημονικές περιοχές της Αναγνώρισης Προτύπων, Τεχνητής Νοημοσύνης και Νευρωνικών Δικτύων καθώς και η Επεξεργασία Σημάτων. Ο τομέας εφαρμογής της εργασίας είναι ο Μη Καταστροφικός Έλεγχος και η Ακουστική Εκπομπή και η ίδια αποτελεί μια τέτοια εφαρμογή. Τα δεδομένα που επεξεργάστηκαν χωρίζονται σε δύο κατηγορίες: σε εκείνα που δόθηκαν έτοιμα και σε εκείνα που προέκυψαν μετά από επεξεργασία. / This graduate project concerns the characterization of the acoustic emission of signals and their sources that have been exported through the process of characteristic parameters.The theoritical substratum of this project are scientific areas such as pattern recognition, artificial intelligence, neural network ,as well as signal processing.The sector which this project applicate is non-distractive testing and signal emission and the project itself consists such an application.The data that have been processed are divided in two categories:in this one where the data were already given and in that one where the data arised after process.

Η διπλωματική εργασία περιγράφει μια μέθοδο επίλυσης του προβλήματος προσδιορισμού των γεωμετρικών χαρακτηριστικών ανθρώπινων ερυθρών αιμοσφαιρίων από προσομοιωμένες εικόνες σκέδασης ΗΜ ακτινοβολίας He-Ne laser 632.8nm. Αρχικά παρουσιάζεται το ευθύ πρόβλημα σκέδασης ΗΜ ακτινοβολίας από ανθρώπινο ερυθρό αιμοσφαίριο και στη συνέχεια το αντίστροφο πρόβλημα επιλύεται με χρήση τεχνικών συμπίεσης εικόνας και τεχνητού νευρωνικού δικτύου ακτινικής συνάρτησης. Τέλος, αναπτύσσεται μια τεχνική εύρεσης των αναλογιών των ερυθρών αιμοσφαιρίων στις εικόνες σκέδασης. / This thesis describes a method of estimating the geometrical features of the human red blood cell, from a set of simulated light scattering images produced by a He-Ne laser beam at 632.8nm. The light scattering problem by a human RBC is presented and afterwards the inverse problem is solved using image compression techniques and a radial basis function neural network. Finally, a method of finding the ratio of RBCs in the scattering images is developed.

- / -

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. / --