{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1318409"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1318409","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μελέτη και βελτιστοποίηση οπτικών και υπολογιστικών σχημάτων Reservoir-Computing για την πρόγνωση χρονοεξαρτώμενων σειρών narma","abstract":"Τα Reservoir Computing (RC) είναι ένα παράδειγμα εκπαίδευσης νευρωνικών δικτύων με ανάδραση (RNN) που βασίζεται στην επεξεργασία του reservoir. Αυτή η τεχνολογία ξεκίνησε πριν 10 χρόνια και σήμερα είναι ένας παραγωγικός χώρος εργασίας πολλά υποσχόμενος, δίνοντας σημαντικές πληροφορίες σχετικά με τα RNNs, εργαλεία μάθησης, καθώς και δυνατότητα υπολογισμού με μη συμβατικά υλικά. Το αντικείμενο της διπλωματικής εργασίας είναι η μελέτη των Reservoir Computing. Αυτή η εργασία δίνει μια γενική εικόνα της τρέχουσας έρευνας για την θεωρία (κεφάλαιο 1) και παρουσιάζονται διάφορες εφαρμογές στον τομέα της ιατρικής, του ήχου, στο χρηματιστήριο και στην ρομποτική (κεφάλαιο 2). Επίσης αναφέρθηκαν μελέτες πάνω στα φωτονικά Reservoir Computing που προσφέρουν την υπόσχεση για μαζική παράλληλη επεξεργασία πληροφοριών με χαμηλή ισχύ και υψηλή ταχύτητα (κεφάλαιο 4). Συγκεκριμένα, έγινε μελέτη της απόδοσης των Reservoir Computing, με την χρήση του προγράμματος MATLAB (κεφάλαιο 3). Φορτώθηκε ένα σύνολο δεδομένων, δημιουργήθηκε ένα δίκτυο, εκπαιδεύει ένα ESN και σχεδιάζει την έξοδο του δικτύου. Μεταβλήθηκαν διάφοροι παράμετροι του δικτύου, φασματική ακτίνα, εσωτερικοί κόμβοι, συνδεσιμότητα, system order και συνάρτηση ενεργοποίησης reservoir, και μέσω των αποτελεσμάτων του τρεξίματος του κώδικα, train NMRSE και test NMRSE, αξιολογήθηκε η απόδοση. Η μεθοδολογία αυτή μπορεί να γίνει οδηγός για την πραγματοποίηση και άλλων μετρήσεων, με απλές αλλαγές στον κώδικα.","abstract_html":"Τα Reservoir Computing (RC) είναι ένα παράδειγμα εκπαίδευσης νευρωνικών δικτύων με ανάδραση (RNN) που βασίζεται στην επεξεργασία του reservoir. Αυτή η τεχνολογία ξεκίνησε πριν 10 χρόνια και σήμερα είναι ένας παραγωγικός χώρος εργασίας πολλά υποσχόμενος, δίνοντας σημαντικές πληροφορίες σχετικά με τα RNNs, εργαλεία μάθησης, καθώς και δυνατότητα υπολογισμού με μη συμβατικά υλικά. Το αντικείμενο της διπλωματικής εργασίας είναι η μελέτη των Reservoir Computing. Αυτή η εργασία δίνει μια γενική εικόνα της τρέχουσας έρευνας για την θεωρία (κεφάλαιο 1) και παρουσιάζονται διάφορες εφαρμογές στον τομέα της ιατρικής, του ήχου, στο χρηματιστήριο και στην ρομποτική (κεφάλαιο 2). Επίσης αναφέρθηκαν μελέτες πάνω στα φωτονικά Reservoir Computing που προσφέρουν την υπόσχεση για μαζική παράλληλη επεξεργασία πληροφοριών με χαμηλή ισχύ και υψηλή ταχύτητα (κεφάλαιο 4). Συγκεκριμένα, έγινε μελέτη της απόδοσης των Reservoir Computing, με την χρήση του προγράμματος MATLAB (κεφάλαιο 3). Φορτώθηκε ένα σύνολο δεδομένων, δημιουργήθηκε ένα δίκτυο, εκπαιδεύει ένα ESN και σχεδιάζει την έξοδο του δικτύου. Μεταβλήθηκαν διάφοροι παράμετροι του δικτύου, φασματική ακτίνα, εσωτερικοί κόμβοι, συνδεσιμότητα, system order και συνάρτηση ενεργοποίησης reservoir, και μέσω των αποτελεσμάτων του τρεξίματος του κώδικα, train NMRSE και test NMRSE, αξιολογήθηκε η απόδοση. Η μεθοδολογία αυτή μπορεί να γίνει οδηγός για την πραγματοποίηση και άλλων μετρήσεων, με απλές αλλαγές στον κώδικα.","abstract_has_math":false,"creators":["Φιλίππου Αλεξανδρία"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2015,"date_issued":"2015","date_published":"2015","updated_at":"2026-11-19T05:25:21Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1318409"],"render_values":[{"text":"uoadl:1318409","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1318409","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1318409","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1318409","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Φιλίππου Αλεξανδρία"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2015"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1318409","https://pergamos.lib.uoa.gr/uoa/dl/object/1318409"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα Reservoir Computing (RC) είναι ένα παράδειγμα εκπαίδευσης νευρωνικών δικτύων με ανάδραση (RNN) που βασίζεται στην επεξεργασία του reservoir. Αυτή η τεχνολογία ξεκίνησε πριν 10 χρόνια και σήμερα είναι ένας παραγωγικός χώρος εργασίας πολλά υποσχόμενος, δίνοντας σημαντικές πληροφορίες σχετικά με τα RNNs, εργαλεία μάθησης, καθώς και δυνατότητα υπολογισμού με μη συμβατικά υλικά. Το αντικείμενο της διπλωματικής εργασίας είναι η μελέτη των Reservoir Computing. Αυτή η εργασία δίνει μια γενική εικόνα της τρέχουσας έρευνας για την θεωρία (κεφάλαιο 1) και παρουσιάζονται διάφορες εφαρμογές στον τομέα της ιατρικής, του ήχου, στο χρηματιστήριο και στην ρομποτική (κεφάλαιο 2). Επίσης αναφέρθηκαν μελέτες πάνω στα φωτονικά Reservoir Computing που προσφέρουν την υπόσχεση για μαζική παράλληλη επεξεργασία πληροφοριών με χαμηλή ισχύ και υψηλή ταχύτητα (κεφάλαιο 4). Συγκεκριμένα, έγινε μελέτη της απόδοσης των Reservoir Computing, με την χρήση του προγράμματος MATLAB (κεφάλαιο 3). Φορτώθηκε ένα σύνολο δεδομένων, δημιουργήθηκε ένα δίκτυο, εκπαιδεύει ένα ESN και σχεδιάζει την έξοδο του δικτύου. Μεταβλήθηκαν διάφοροι παράμετροι του δικτύου, φασματική ακτίνα, εσωτερικοί κόμβοι, συνδεσιμότητα, system order και συνάρτηση ενεργοποίησης reservoir, και μέσω των αποτελεσμάτων του τρεξίματος του κώδικα, train NMRSE και test NMRSE, αξιολογήθηκε η απόδοση. Η μεθοδολογία αυτή μπορεί να γίνει οδηγός για την πραγματοποίηση και άλλων μετρήσεων, με απλές αλλαγές στον κώδικα.","Reservoir Computing (RC) is a paradigm of training Recurrent Neural Networks (RNNs) based on processing the reservoir. That’s technology started ten years ago and is currently a prolific research area promising, giving important insights into RNNs, learning tools, as well as enabling computation with non-conventional hardware. The object of this thesis is to learning the Reservoir Computing. This object will give an overview of current research on theory (chapter 1) and implementations of medicine, sound stock market and robotics (chapter 2). Also reported studies on the photonic Reservoir Computing offering the promise of massive parallel processing of information with low power and high speed (chapter 4). Particularly, learning the performance of Reservoir Computing, using the MATLAB program (chapter 3). Load a dataset, create a network, a train an ESN and plot the output of the network. Changed various network parameters, spectral radius, internal nodes, connectivity, system order and activation function reservoir, and through the results of running the code, train NMRSE and test NMRSE, the performance was evaluated. This methodology can be used a guide for making other measurements, with making simple changes at the code."]},{"key":"dc:title","label":"Title","values":["Μελέτη και βελτιστοποίηση οπτικών και υπολογιστικών σχημάτων Reservoir-Computing για την πρόγνωση χρονοεξαρτώμενων σειρών narma"]}]}],"canonical_facts":{"dc:creator":["Φιλίππου Αλεξανδρία"],"dc:date":["2015"],"dc:description":["Τα Reservoir Computing (RC) είναι ένα παράδειγμα εκπαίδευσης νευρωνικών δικτύων με ανάδραση (RNN) που βασίζεται στην επεξεργασία του reservoir. Αυτή η τεχνολογία ξεκίνησε πριν 10 χρόνια και σήμερα είναι ένας παραγωγικός χώρος εργασίας πολλά υποσχόμενος, δίνοντας σημαντικές πληροφορίες σχετικά με τα RNNs, εργαλεία μάθησης, καθώς και δυνατότητα υπολογισμού με μη συμβατικά υλικά. Το αντικείμενο της διπλωματικής εργασίας είναι η μελέτη των Reservoir Computing. Αυτή η εργασία δίνει μια γενική εικόνα της τρέχουσας έρευνας για την θεωρία (κεφάλαιο 1) και παρουσιάζονται διάφορες εφαρμογές στον τομέα της ιατρικής, του ήχου, στο χρηματιστήριο και στην ρομποτική (κεφάλαιο 2). Επίσης αναφέρθηκαν μελέτες πάνω στα φωτονικά Reservoir Computing που προσφέρουν την υπόσχεση για μαζική παράλληλη επεξεργασία πληροφοριών με χαμηλή ισχύ και υψηλή ταχύτητα (κεφάλαιο 4). Συγκεκριμένα, έγινε μελέτη της απόδοσης των Reservoir Computing, με την χρήση του προγράμματος MATLAB (κεφάλαιο 3). Φορτώθηκε ένα σύνολο δεδομένων, δημιουργήθηκε ένα δίκτυο, εκπαιδεύει ένα ESN και σχεδιάζει την έξοδο του δικτύου. Μεταβλήθηκαν διάφοροι παράμετροι του δικτύου, φασματική ακτίνα, εσωτερικοί κόμβοι, συνδεσιμότητα, system order και συνάρτηση ενεργοποίησης reservoir, και μέσω των αποτελεσμάτων του τρεξίματος του κώδικα, train NMRSE και test NMRSE, αξιολογήθηκε η απόδοση. Η μεθοδολογία αυτή μπορεί να γίνει οδηγός για την πραγματοποίηση και άλλων μετρήσεων, με απλές αλλαγές στον κώδικα.","Reservoir Computing (RC) is a paradigm of training Recurrent Neural Networks (RNNs) based on processing the reservoir. That’s technology started ten years ago and is currently a prolific research area promising, giving important insights into RNNs, learning tools, as well as enabling computation with non-conventional hardware. The object of this thesis is to learning the Reservoir Computing. This object will give an overview of current research on theory (chapter 1) and implementations of medicine, sound stock market and robotics (chapter 2). Also reported studies on the photonic Reservoir Computing offering the promise of massive parallel processing of information with low power and high speed (chapter 4). Particularly, learning the performance of Reservoir Computing, using the MATLAB program (chapter 3). Load a dataset, create a network, a train an ESN and plot the output of the network. Changed various network parameters, spectral radius, internal nodes, connectivity, system order and activation function reservoir, and through the results of running the code, train NMRSE and test NMRSE, the performance was evaluated. This methodology can be used a guide for making other measurements, with making simple changes at the code."],"dc:identifier":["uoadl:1318409","https://pergamos.lib.uoa.gr/uoa/dl/object/1318409"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Μελέτη και βελτιστοποίηση οπτικών και υπολογιστικών σχημάτων Reservoir-Computing για την πρόγνωση χρονοεξαρτώμενων σειρών narma"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:25:21Z"}