Η παρούσα διπλωματική εργασία αποσκοπεί στη μελέτη και την εκπαίδευση των Τεχνητών Νευρωνικών Δικτύων με τη βοήθεια γνωστών μεθόδων, όπως τη μέθοδο όπισθεν διάδοσης σφάλματος (back-propagation), τη μέθοδο adaptive back-propagation, τη momentum back-propagtion και την resilient propagation (RPROP) και τη σύγκριση αυτών. Κατά τη διάρκεια αυτή της εργασίας παρουσιάσαμε τις βασικές αρχιτεκτονικές των Τεχνητών Νευρωνικών Δικτύων και τις διάφορες μεθόδους εκπαίδευσης τους. Μελετήσαμε τις τεχνικές βελτιστοποίησης απόδοσης ενός δικτύου με τη χρήση αλγορίθμων και περιγράψαμε τη γνωστή μέθοδο όπισθεν διάδοσης σφάλματος (back-propagation) αλλά και παραλλαγές αυτής. Τέλος, δώσαμε τα πειραματικά αποτελέσματα από την εκπαίδευση των Τεχνητών Νευρωνικών Δικτύων, με τη βοήθεια των παραπάνω αλγορίθμων, σε πολύ γνωστά και ευρέως χρησιμοποιημένα χαρακτηριστικά προβλήματα πραγματικού κόσμου. / The purpose of this thesis is to study and train Artificial Neural Networks with the help of well-known methods, such as the back-propagation method, the adaptive back-propagation method, the momentum back-propagation method and the resilient propagation (RPROP) method, and also to implement a comparison between them. During this project we introduced the basic architectures of Artificial Neural Networks and the various methods for their training. We studied the techniques for optimizing the performance of a network with the use of algorithms and described the well-known back-propagation method but also her variations. Finally, we gave the experimental results from the training of the Neural Networks, with the help of the previous mentioned algorithms, in widely known and commonly used characteristical problems of the real world.

- / -

Μια σύντομη αναφορά σε κάποια γνωστά μοντέλα Νευρωνικών Δικτύων, περιγραφή της αρχιτεκτονικής τους και εφαρμογές. Παραδείγματα και εφαρμογές Δυναμικών Νευρωνικών Δικτύων. Γενικό πλαίσιο λειτουργίας των CNN, ιδιότητες και εφαρμογές. / A short reference in Neural Networks, architecture description and applications. Implementation of Dynamic Neural Networks. CNN (cellular neural networks) paradigm, attributes and examples.

- / -

Στα πλαίσια αυτής της διπλωματικής εργασίας διερευνήθηκε η δυνατότητα της χρήσης τεχνολογίας ασαφούς λογικής και νευρωνικών δικτύων στη γήρανση των μονώσεων. Στον ηλεκτρολογικό εξοπλισμό και ειδικά στον εξοπλισμό που λειτουργεί υπό υψηλή τάση, κύρια συνιστώσα της κατασκευής του είναι η μόνωσή του, η οποία κατά κανόνα είναι και η πλέον ευαίσθητη. Η διάρκεια ζωής του ηλεκτρολογικού εξοπλισμού περιορίζεται από τη διάρκεια ζωής της μόνωσής του. Ο έλεγχος των μονώσεων του ηλεκτρολογικού εξοπλισμού υψηλής τάσης είναι σχολαστικός και γίνεται βάσει κανονισμών που έχουν θεσπισθεί από τους διεθνείς οργανισμούς τυποποίησης (IEC, VDE/DIN, UTE/NF, BS, ANSI, TGL, GOST, ΕΛΟΤ, CENELEC). Ο έλεγχος γίνεται δια της εκτελέσεως δοκιμών σε πειραματικές διατάξεις, με εφαρμογή τάσεων συγκεκριμένων κυματομορφών (βιομηχανικής συχνότητας, κρουστικής κλπ.) και πλάτους πολλαπλασίου εκείνου της τάσης υπό την οποία ο συγκεκριμένος εξοπλισμός θα λειτουργήσει. Παρ' όλα αυτά, μετά από την παρέλευση κάποιου χρονικού διαστήματος, η μόνωση καταστρέφεται κατά τη διάρκεια της κανονικής λειτουργίας του ηλεκτρολογικού εξοπλισμού. Η κυριότερη από τις αιτίες στις οποίες οφείλονται αυτές οι καταστροφές των μονώσεων είναι το φαινόμενο των μερικών εκκενώσεων. Οι μερικές αυτές εκκενώσεις αναπτύσσονται στα διηλεκτρικά του ηλεκτρολογικού εξοπλισμού υπό ορισμένες συνθήκες καταπόνησης και δια της συνεχούς χειροτέρευσης της αντοχής τους, τα οδηγούν σε καταστροφή της μόνωσης υπό την τάση λειτουργίας. Προκειμένου για στερεά μονωτικά υλικά, οι μερικές εκκενώσεις μπορεί να είναι εξωτερικές, δηλαδή να εκδηλώνονται στην εξωτερική επιφάνεια του μονωτικού, η οποία είναι συνήθως και συνοριακή επιφάνεια με κάποιο άλλο αέριο ή υγρό διηλεκτρικό, ή να είναι εσωτερικές, οπότε συμβαίνουν σε κοιλότητες μικρών διαστάσεων, που έχουν σχηματισθεί μέσα στη μάζα του μονωτικού κατά την κατασκευή του. Όμως, η γήρανση ενός διηλεκτρικού δεν επηρεάζει μόνο την διηλεκτρική αντοχή και την τάση διάσπασής του, αλλά και άλλα χαρακτηριστικά μεγέθη του μονωτικού υλικού, όπως την γωνία απωλειών δ και τον συντελεστή απωλειών εφδ. Το μοντέλο που αναπτύχθηκε στα πλαίσια της παρούσης διπλωματικής εργασίας, είναι ικανό να προβλέψει τα χαρακτηριστικά υγιούς μόνωσης. Δέχεται ως εισόδους τη χωρητικότητα του δοκιμίου C, την παράμετρο ψ (ο λόγος της απόστασης της διεπιφάνειας από την ελεύθερη επιφάνεια του δοκιμίου, ως προς το μήκος του δοκιμίου) που ουσιαστικά καθορίζει τη θέση μιας διεπιφάνειας μέσα στο διάκενο και την τάση δοκιμής. Ως έξοδο, κάνει εκτίμηση του συντελεστή απωλειών εφδ. Σε μία γενική θεώρηση το μοντέλο που αναπτύχθηκε δίνει τη δυνατότητα στο χρήστη να εκτιμήσει σύντομα και αξιόπιστα τα χαρακτηριστικά της υγιούς μόνωσης. Τα δεδομένα του αποτελέσματος είναι άμεσα συγκρίσιμα με αυτά της χρησιμοποιημένης μόνωσης, κατόπιν τούτου δύναται να αποτελέσουν βάση για την εκτίμηση της κατάστασής της. Το μοντέλο που προτείνεται, βασίζεται στις αρχές της ασαφούς λογικής και των νευρωνικών δικτύων και χρησιμοποιεί το νευρoασαφές σύστημα ANFIS. Η ασαφής λογική αποτελεί μια γενίκευση της δίτιμης (Boolean) λογικής. Επιτρέπει εκτός από το «αληθές» (τιμή “1”) και το «ψευδές» (τιμή “0”), και τις ενδιάμεσες τιμές. Έτσι, ένα σύστημα μπορεί να περιγραφεί μέσω ενός συνόλου απλών λεκτικών κανόνων «αν –τότε» το οποίο είναι πιο εύχρηστο και πιο κοντά στην ανθρώπινη λογική. Τα ΤΝΔ είναι δίκτυα που αποτελούνται από μη γραμμικά στοιχεία, τους νευρώνες, οι οποίοι αλληλοσυνδέονται με τέτοιο τρόπο ώστε να επεξεργάζονται τις πληροφορίες ταυτόχρονα. Τα κυριότερο χαρακτηριστικό που καθιστούν τα ΤΝΔ ιδιαίτερα, είναι η εφαρμογή τους σε μη γραμμικό έλεγχο. Άλλα βασικά χαρακτηριστικά που έχουν, είναι η ικανότητα ανεκτικότητας σε βλάβες, το μεγάλο πλήθος πληροφοριών που είναι ικανά να επεξεργαστούν όπως και η αντιμετώπιση περιπτώσεων που δεν έχουν ξανασυναντήσει. Το ακρωνύμιο ANFIS προέρχεται από τις λέξεις adaptive neuro-fuzzy inference system. Χρησιμοποιώντας ένα σύνολο εισόδων / επιθυμητών εξόδων , κατασκευάζουμε ένα σύστημα ασαφούς συλλογιστικής στο οποίο οι παράμετροι των συναρτήσεων συμμετοχής προσαρμόζονται μέσα από τη διαδικασία της μάθησης , χρησιμοποιώντας τον αλγόριθμο της προς τα πίσω διάδοσης του σφάλματος σε συνδυασμό με τη μέθοδο των ελαχίστων τετραγώνων. Για την ανάπτυξη του μοντέλου, χρησιμοποιήθηκε το toolbox fuzzy logic του Matlab. Η διαδικασία που ακολουθήθηκε περιλαμβάνει την οργάνωση του δικτύου και των μεταβλητών του, την εκπαίδευση του νευρο-ασαφούς δικτύου και τέλος την επιβεβαίωση των αποτελεσμάτων του. Για την εκπαίδευση του μοντέλου χρησιμοποιήθηκαν μετρήσεις του Εργαστηρίου Υψηλών Τάσεων, Πανεπιστήμιου Πατρών για τα υλικά με την εμπορική ονομασία τερεφθαλικός πολυεστέρας του πολυαιθυλενίου Polyethylene terephthalate (PET) και πολυαιθυλένιο χαμηλής πυκνότητας low density polyethylene, (LDPE). / The scope of this thesis is to investigate the possibility of use of technology of fuzzy logic and neural networks in the insulations aging. In the electrical equipment and specifically in the equipment that functions under high voltage, main component of its manufacture is its insulation, which as a rule is the most sensitive. The duration of life of electrical equipment is limited by the duration of life of its insulation. The control of insulations of electrical equipment of high voltage is meticulous and it becomes under regulations that have been established by the international organizations of standards (IEC, VDE/DIN, UTE/NF, BS, ANSI, TGL, GOST, ΕLΟΤ, CENELEC). The control becomes via the implementation of trials in experimental devices, with application of voltage of concrete wavelengths (industrial frequency, impulse etc) and width of multiple of the voltage under which the particular equipment will function. Nevertheless, after the expiry of the time, the insulation is destroyed at the duration of regular operation of electrical equipment. The most important of the causes in which are owed these destructions of insulations is the phenomenon of certain discharges. These certain discharges are developed in dielectrics of the electrical equipment under certain strain conditions and via the continuous deterioration of their resistance, lead him to destruction of insulation under the voltage of function. With regard to solid insulating materials, the certain discharges can be exterior, which means that they express themselves in the exterior surface of insulating, which is usually also boundary surface with some other gas or liquid dielectric, or be internal, therefore happen in cavities of small dimensions, which have taken shape in the insulating mass at its manufacture. However, the ageing of dielectric does not only affect the dielectric resistance and his tendency of split, but also other characteristic sizes of insulating material, as the angle of losses δ and the factor of losses tanδ. The model that was developed in the frames of this thesis, is capable to forecast the characteristics of a healthy insulation. It accepts as entries the capacity of essay C, parameter ψ (the ratio of distance of interface from the free surface of the essay, to the length of essay) that substantially it determines the location interface into the gap and the tendency of trial. As exit, it makes estimate of factor of losses tanδ. In a general regard the model that was developed gives to the user the possibility of appreciating at an early date and reliably the characteristics of healthy insulation. The data of result are immediately comparable with those of used insulation, so it is possible to constitute the base for the estimate of the situation. The model that is proposed, is based on the principle of fuzzy logic and neural networks and it uses the neural-fuzzy system ANFIS. The fuzzy logic constitutes a generalisation of the Boolean logic. It allows apart from “true” (value “1”) and “false” (value “0”), and the intermediate prices. Thus, a system can be described via a total of simple verbal rules “if - then” which is more easily used and more close to the human logic. The neural networks are networks that are constituted by not linear elements, the neurons, which connected in such a way so as to process the information simultaneously. The main characteristic that gets the neural networks so special is their application in not linear control. Other basic characteristics that they have, is their ability to overhead errors, The amount of the information that are capable to process and to face cases that haven’t met before. The acronym ANFIS derives from the words adaptive neuro-fuzzy inference system. Using a total of entries nad of desirable exits, we manufacture a system of fuzzy syllogistic in which the parameters of the membership functions are adapted through the process of learning. For the development of the model, it was used the toolbox fuzzy logic of Matlab. The process that was followed includes the organisation of network and its variables, the education of the neural-fuzzy network and finally the confirmation of the results. For the education of model were used measurements of Laboratory of High Voltages, of University Patras for the materials called Polyethylene terephthalate (PET) and low density polyethylene, (LDPE).

Στη συγκεκριμένη μελέτη γίνεται προσπάθεια για τη δημιουργία ενός υπολογιστικού πλαισίου για την ανάλυση της ελληνικής χρηματιστηριακής αγοράς. Πιο συγκεκριμένα, η εργασία πραγματεύεται τη δυνατότητα πρόβλεψης κατά την επενδυτική διαδικασία στο Χρηματιστήριο Αξιών Αθηνών, με τη χρήση τεχνικών και αλγορίθμων Υπολογιστικής Νοημοσύνης. Ειδικότερα, χρησιμοποιούνται πραγματικά δεδομένα μετοχών του χρηματιστηρίου σε ημερήσια βάση, τα οποία με κατάλληλη επεξεργασία είναι δυνατόν να μας οδηγήσουν στην κατασκευή μοντέλου πρόβλεψης. “Is the economy stupid?” αναρωτιέται ο διάσημος οικονομολόγος Alan Greenspan, ενώ μέχρι και σήμερα οι κύριες (mainstream) οικονομικές θεωρίες (π.χ. Εfficient Μarket Ηypothesis) αδυνατούν να εξηγήσουν πολλά από τα χαρακτηριστικά και τη συμπεριφορά των οικονομικών και χρηματιστηριακών αγορών. Ο όρος αυτών των χαρακτηριστικών που χρησιμοποιείται στη διεθνή βιβλιογραφία είναι “stylized facts” και αναφέρονται σε γεγονότα όπως “fat tail phenomena”, “clustered volatility” και άλλα. Το ενδιαφέρον μας εστιάζεται σε χρηματιστηριακές οικονομικές αγορές, αλλά η μελέτη μπορεί εύκολα να αναχθεί σε οποιοδήποτε επίπεδο, για παράδειγμα σε αυτό της αλληλεπίδρασης των τραπεζών στον τομέα των διατραπεζικών συναλλαγών. Προφανώς θα προτιμούσαμε να δημιουργήσουμε μια πλήρως ολοκληρωμένη χρηματιστηριακή αγορά που να προσομοιώνει πλήρως την σημερινή κατάσταση, αλλά κάτι τέτοιο μάλλον είναι αδύνατο καθώς οι οικονομικές αγορές γενικότερα είναι τόσο σύνθετες, που και μόνο η πλήρης μοντελοποίηση μίας πτυχής της κρίνεται θεωρητικά ως πράγμα αδύνατο. Η εργασία αποτελεί μια προσπάθεια πρακτικής εφαρμογής της τεχνολογίας της Υπολογιστικής Νοημοσύνης, σύμφωνα με την μεθοδολογία της οποίας η προσπάθεια μας εστιάζεται στην κατάλληλη επιλογή και κατ’ επέκταση επεξεργασία των δεδομένων. Τα δεδομένα περιέχουν πληροφορία την οποία επιθυμούμε να εξάγουμε. Για την αξιοπιστία και την αποτελεσματικότητα του μοντέλου είναι αναγκαία η διαδικασία αξιολόγησής του, κατά την οποία φαίνεται εάν το μοντέλο λειτουργεί σωστά, σύμφωνα δηλαδή με την ακρίβεια (accuracy) που το χαρακτηρίζει κατά τη δημιουργία του. Για τη διασφάλιση της κατά το δυνατό πληρότητας της μελέτης, αφού πρώτα υπολογίσουμε για κάθε μία μετοχή ξεχωριστά την ημερήσια τιμή της, όπως αυτή προκύπτει από ορισμένους, αντιπροσωπευτικούς χρηματιστηριακούς δείκτες, προσπαθούμε να δούμε κατά πόσο πλησιάζει την πραγματική τιμή κλεισίματος της αντίστοιχης μετοχής, γεγονός το οποίο παρέχει σημαντική πληροφορία σχετικά με το χρηματιστηριακό σύστημα. Για την ανάπτυξη αυτού του μοντέλου προσομοίωσης θα είχε εξαιρετικό ενδιαφέρον η χρησιμοποίηση εναλλακτικών προσεγγίσεων τόσο από την πλευρά της ψυχολογίας της αγοράς όσο και από περιοχές της θεωρίας παιγνίων. / The aim of our research is to create a computational frame for analyzing the greek stock market. Specifically, this work deals with the possibility of prediction during the investment procedure in the Stock Market of Athens, using techniques and algorithms of Computational Intelligence. We use real stock market data from the greek market on a daily basis, which with a suitable treatment can lead to the construction of the prediction model. The famous economist Alan Greenspan wonders “Is the economy stupid?”, while to this very day the mainstream economical theories (for example the efficient market hypothesis) are unable to explain plenty of the properties as well as the performance of economic and stock markets. The term for these characteristics which is used in international literature is “stylized facts” and they refer to facts such as the fat tail phenomena, clustered volatility etc. Our interest is concentrated on stock markets, but the research can easily be extended on any level, for example on the field of bank interaction during the inter-bank transactions. Apparently, we would prefer to create a fully integrated stock market which would be able to fully simulate the current situation, but something like this is rather impossible since the economical markets are in general so complex that even the full modelling of one fold is judged as a fact theoretically impossible. This work is an attempt to apply in practise the technology of Computational Intelligence according to the methodology of which our effort is focused on the suitable choice and furthermore the suitable data processing. The data contain information which we wish to extract using either supervised or unsupervised learning. In order to create a reliable and effective model, we need to evaluate it during a process which proves whether the model functions appropriately, according to the accuracy that characterises the model during its creation. In order to ensure the thoroughness of the research, since we first calculate the daily price of each participle, as it comes up from some representative stock market indexes, we try to see how much does this price approach to the real closing price of the respective participle, a fact which provides important information about the stock market system. In order to develop this simulation system it would be interesting to use different approaches not only from the field of psychology of markets but also from the field of game theory.

Στην παρούσα διπλωματική εργασία μελετάμε την ικανότητα των τεχνητών νευρωνικών δικτύων στη σύνθεση μουσικής και την αναγνώριση μουσικού συνθέτη. Συγκεκριμένα, στο πρώτο κεφάλαιο κάνουμε μία εισαγωγή στα τεχνητά νευρωνικά δίκτυα και ειδικά σε αυτά που χρησιμοποιούνται στα επόμενα κεφάλαια. Γίνεται αναφορά στα βασικά είδη των ΤΝΔ που υπάρχουν, εμπρόσθιας τροφοδότησης και αναδραστικά και περιγράφονται οι αλγόριθμοι εκπαίδευσής τους. Εξηγούμε την ικανότητα των αναδραστικών νευρωνικών δικτύων να έχουν δυναμική μνήμη, σε αντίθεση με αυτά που είναι εμπρόσθιας τροφοδότησης, πράγμα που τα καθιστά ικανά στην πρόβλεψη χρονοσειρών. Αυτή η ικανότητα των αναδραστικών δικτύων σε συνδυασμό με το γεγονός ότι ένα μουσικό κομμάτι μπορεί να χαρακτηριστεί σαν μία αλληλουχία γεγονότων χρονικής συνοχής (χρονοσειρά) δημιούργησε ένα ερευνητικό ρεύμα προς την κατεύθυνση της σύνθεσης μουσικής με τη χρήση ανδραστικών τεχνητών νευρωνικών δικτύων. Στο δεύτερο κεφάλαιο κάνουμε μία αναφορά στην αλγοριθμική σύνθεση μουσικής, ιδιαίτερα με χρήση πινάκων μετάβασης. Έπειτα ακολουθεί η περιγραφή του CONCERT, ενός αναδραστικού νευρωνικού δικτύου που κατασκευάστηκε για να συνθέτει μουσική με πρόβλεψη νότας προς νότα. Αναλύουμε επίσης την μοντελοποίηση των μουσικών αντικειμένων για την επεξεργασία και αναπαράστασή τους από το CONCERT η οποία βασίζεται σε ψυχοακουστικούς περιορισμούς αντίληψης των μουσικών αντικειμένων από τους ανθρώπους. Εξηγούμε τον τρόπο που εκπαιδεύεται το CONCERT έτσι ώστε να έχει όσο το δυνατόν μεγαλύτερη μνήμη και περιγράφουμε τις επιδόσεις του σε διάφορες δοκιμές που έγιναν, από την εκμάθηση μίας διατονικής κλίμακας μέχρι ενός κομματιού του J. S. Bach. Παρατηρώντας την ικανότητα του CONCERT να αντιλαμβάνεται τοπικές δομές (μοτίβα φράσεις) μα όχι καθολικές (μέρη του μουσικού κομματιού) αναφερόμαστε στην τεχνική της περιορισμένης περιγραφής που αποτελεί μια προσπάθεια για εκπαίδευση του δικτύου έτσι ώστε να αντιλαμβάνεται το μουσικό κομμάτι σε μία μεγαλύτερη κλίμακα. Στο τέλος του δευτέρου κεφαλαίου εξετάζουμε τη συνολική επίδοση του CONCERT και αναλύουμε τις κατευθύνσεις προς τις οποίες θα μπορούσαμε να κινηθούμε για τη βελτίωση των αποτελεσμάτων. Στο τρίτο κεφάλαιο αναφερόμαστε στην αναγνώριση του συνθέτη ενός μουσικού κομματιού με τη χρήση τεχνητών νευρωνικών δικτύων πάνω στην παρτιτούρα του κομματιού αυτού. Αρχικά γίνεται μία συζήτηση γύρω από το ποια στοιχεία της παρτιτούρας θεωρούμε σημαντικά, ποια από αυτά μπορούμε και ποια έχει νόημα να μοντελοποιήσουμε έτσι ώστε ένα ΤΝΔ να μπορεί να κάνει πρόβλεψη. Αναλύονται οι τεχνικές λεπτομέρειες των στοιχείων που χρειαζόμαστε για τη μοντελοποίηση μιας παρτιτούρας στον υπολογιστή και στη συνέχεια αναφερόμαστε στα δύο πειράματα που ελέγχουν την ορθότητα και αποτελεσματικότητα της παραπάνω προσέγγισης. Το ποια κομμάτια χρησιμοποιήθηκαν και από ποιους συνθέτες δε θα μπορούσε να είναι τυχαίο καθώς πρέπει να ικανοποιούνται διάφορες συνθήκες στατιστικής ομοιομορφίας έτσι ώστε η απάντηση του ΤΝΔ να είναι όσο το δυνατόν πιο αμερόληπτη. Αυτές οι συνθήκες, καθώς και οι κίνδυνοι που υπάρχουν σε πιθανή παράληψή τους εξηγούνται πριν τα πειράματα. Το πρώτο πείραμα πραγματεύεται την αναγνώριση συνθέτη ενός κομματιού που συντέθηκε από τον Chopin ή όχι (δηλαδή από τους Beethoven ή Mozart) ενώ στο δεύτερο οι εμπλεκόμενοι συνθέτες είναι οι Bach και Handel. Δοκιμάζονται διάφορες αρχιτεκτονικές ΤΝΔ και μετρούμε τη μέση και τη βέλτιστη επίδοσή τους. Τέλος συζητάμε τα αποτελέσματα των δύο πειραμάτων καθώς και τροποποιήσεις είτε του ΤΝΔ είτε της μοντελοποίησης που διαλέξαμε για την αναπαράσταση της παρτιτούρας στον υπολογιστή έτσι ώστε να έχουμε καλύτερα αποτελέσματα. / In this work we study the capability of artificial neural networks for composing music and musical composer recognition. To this end, in the first chapter the neural networks are introduced, especially the forms of those that are used later on. A reference is being made to the basic forms of neural networks, feedforward (FNN) and recursive (RNN), and their training algorithms. We explain the ability of the RNNs to have dynamic memory, in contrast to FNNs, which makes them suitable for predicting time series. This ability combined to the fact that a musical piece can be considered as a time series has urged researchers to explore music composition through RNNs. In the second chapter algorithmic music composition is being described, especially with the use of Markov chains. Then we describe CONCERT, a RNN constructed for composing music with note by note prediction. We also analyze the representation of musical objects which is based in how humans perceive them. CONCERT is trained with different musical patterns (from diatonic scales to Bach pieces) and its composing ability is being discussed. The fact that CONCERT lacks in capturing the global structure of a piece is not changed with the use of reduced description, which is thoroughly described. The second chapter concludes with thoughts on how a RNN could capture the global structure of a piece. The third chapter is devoted to composer recognition with the use of FNNs. Firstly we discuss which elements of a score are useful and which of them we can represent such that a FNN can identify a composer. The techniques that we use for the computer modeling of the problem and the manipulation of the pieces are thoroughly described. Two experiments are presented, in the first one the FNN is called to recognize Chopin from Mozart and Beethoven and in the second Bach from Handel. Finally a discussion is made on the results of the above experiments and how we could optimize them.

- / -

Έχουν αναπτυχθεί και συνεχίζουν να αναπτύσσονται τεχνικές με τις οποίες ένα σύστημα μπορεί να εντοπίζει διάφορα χαρακτηριστικά μέσα σε μια εικόνα. Κάποιες βασικές τεχνικές θα αναφερθούν στις επόμενες παραγράφους. Το περιβάλλον όμως συνεχώς μεταβάλλεται και συνεπώς τα διάφορα αντικείμενα μέσα σε αυτό δεν είναι πάντα ίδια. Έτσι πολλές φορές η κατασκευή κάποιου αλγορίθμου, ο οποίος θα δίνει καλή απάντηση σε κάποιο πρόβλημα που έχει σχέση με την εξαγωγή χαρακτηριστικών μιας εικόνας, είναι δύσκολη. Σε αυτό το σημείο σημαντική είναι η βοήθεια που προσφέρουν τα Τεχνητά Νευρωνικά Δίκτυα με την ικανότητα μίμησης, μάθησης και μνήμης που διαθέτουν. Η επεξεργασία εικόνας σε συνεργασία με τα Τεχνητά Νευρωνικά Δίκτυα παράγουν αποτελέσματα με πολύ ικανοποιητικό βαθμό επιτυχίας. / -

Τα Τεχνητά Νευρωνικά Δίκτυα είναι μια επιστημονική περιοχή η οποία έχει αναπτυχθεί κατά τις τελευταίες δεκαετίες και επικαλύπτει όλες σχεδόν τις θετικές επιστήμες και την μηχανολογία. Τα Νευρωνικά Δίκτυα αποτελούνται από ένα σύνολο απλών, διασυνδεδεμένων και προσαρμοστικών μονάδων οι οποίες δημιουργούν ένα παράλληλο και πολύπλοκο υπολογιστικό μοντέλο. Στην ουσία είναι προγράμματα που υλοποιούνται στους ηλεκτρονικούς υπολογιστές. Μέχρι σήμερα έχουν χρησιμοποιηθεί σε πολλές εφαρμογές και σε προβλήματα που οι γνωστοί τρόποι αντιμετώπισής τους παρουσιάζουν δυσκολίες, με αποτέλεσμα την αναγκαιότητα των Τεχνητών Νευρωνικών Δικτύων. Η εργασία αυτή αποτελείται από έξι κεφάλαια. Στο πρώτο κεφάλαιο κάνουμε μια εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα. Αναφέρουμε τις βασικές αρχές τους και την αντιστοιχία τους με τα βιολογικά δίκτυα. Το δεύτερο κεφάλαιο ασχολείται με το δίκτυο Perceptron. Ξεκινάμε με το πιο απλό μοντέλο, τον αισθητήρα και συνεχίζουμε με τα πολυεπίπεδα Νευρωνικά Δίκτυα Perceptron. Αναφέρουμε δύο μεθόδους εκπαίδευσης, τη μέθοδο οπισθοδιάδοσης του λάθους και τον κανόνα Δέλτα. Στο τρίτο κεφάλαιο μελετάμε άλλα είδη δικτύων, όπως τα αναδρομικά δίκτυα, το δίκτυο Hopfield, το δίκτυο SOM και το δίκτυο RBF. Το τέταρτο κεφάλαιο αναφέρεται στον νευρωνικό έλεγχο και στις αρχιτεκτονικές των νευρωνικών ελεγκτών. Στο πέμπτο κεφάλαιο εξετάζουμε κάποιες συγκεκριμένες εφαρμογές των Τεχνητών Νευρωνικών Δικτύων σε διάφορα συστήματα ελέγχου. Στο έκτο κεφάλαιο αναφέρουμε τα συμπεράσματα καθώς και μελλοντικές επεκτάσεις των ΤΝΔ. / Artificial Neural Networks are a research area which has developed over the past decades. Neural Networks consist of a set of simple, interconnected and adaptive plants that create a parallel and complex computational model. They are essentially programs implemented in computers. They have been used in many applications and problems that are very difficult to be solved otherwise. This work consists of six chapters. In the first chapter we make an introduction to Artificial Neural Networks. We mention the basic principles and their correlation with biological networks. The second chapter deals with the network Perceptron. We start with the simplest model, the sensor and continue with the multilayer Neural Network Perceptron. We mention two training methods, the method of error back-propagation and delta rule. In the third chapter we consider other types of networks such as the recurrent networks, Hopfield network, the network SOM and the RBF network. The fourth chapter deals with the neural control and the architectures of neural controllers. In the fifth chapter we examine some specific applications of Artificial Neural Networks in several control systems. The sixth chapter refers to the conclusions of this work and future evolution of ANN.