{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2893411"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2893411","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Στοχαστική Ανάλυση Υποχώρων : Μία Επιτομή","abstract":"Στην παρούσα διπλωματική διερευνούμε τον αλγόριθμο Stationary Subspace Analysis, ένας αλγόριθμος τυφλού διαχωρισμού (Blind Source Separation Algorithm - BSSA), ο οποίος διαχωρίζει μία πολυδιάστατη χρονολογική σειρά σε στάσιμους και μη στάσιμους παράγοντες. Σε πολλές εφαρμογές, οι χρονολογικές σειρές περιέχουν πληροφορία από διάφορες πηγές (sources) είτε αυτές είναι στάσιμες είτε μη στάσιμες, οι οποίες δεν μπορούν υπολογισθούν και να μετρηθούν άμεσα. Παραδείγματος χάριν, σε εγκεφαλογραφήματα (EEG) τοποθετούνται ηλεκτρόδια στο κεφάλι του υπό μελέτη υποκειμένου και καταγράφουν τη δραστηριότητα ενός μεγάλου αριθμού πηγών που βρίσκονται στον εγκέφαλο. Αυτές οι πηγές μπορεί να είναι είτε στάσιμες είτε μη στάσιμες αλλά δε μπορούν να διακριθούν στα σήματα των ηλεκτροδίων, τα οποία είναι μία μίξη αυτών. ‘Ετσι, εφαρμόζοντας τον αλγόριθμο SSA μπορούμε να διαχωρίσουμε τις πηγές σε μία παρατηρούμενη χρονολογική σειρά. Σκοπός είναι η κατανόηση του συγκεκριμένου αλγορίθμου, σε θεωρητικό αλλά και σε πρακτικό επίπεδο εφαρμόζοντας τον σε μη – πραγματικά – τεχνητά δεδομένα (toy data) λόγω της έλλειψης πραγματικών δεδομένων, παραδείγματος χάριν ιδανικά θα ήταν δεδομένα από εγκεφαλογραφήματα (EEG). Έτσι με αυτά τα «τεχνητά» δεδομένα θα πραγματοποιήσω προσομοιώσεις και θα παρουσιάσω κατάλληλα γραφήματα ώστε να αποδειχτεί και επί του πρακτέου ό,τι «ισχυρίζεται» ο αλγόριθμος σε θεωρητικό – μαθηματικό επίπεδο. Θα παρουσιαστούν γραφήματα από προσομοιώσεις με διαφορετικά μεγέθη δειγμάτων, μεταβολή του αριθμού των στάσιμων πηγών (sources), μεταβολή του αριθμού των επανεκκινήσεων και μεταβολή των epochs. Στο πρώτο κεφάλαιο της παρούσας εργασίας, περιγράφονται οι βασικές έννοιες που χρησιμοποιήθηκαν καθώς και ο στόχος και η δομή της εργασίας. Στο δεύτερο κεφάλαιο, θα γίνει μία ανασκόπηση της βιβλιογραφίας που μελετήθηκε με σκοπό την διεκπεραίωση της εργασίας. Στο τρίτο κεφάλαιο, θα παρουσιαστεί η μεθοδολογία του αλγορίθμου, η μαθηματική του σκοπιά καθώς επίσης τα αποτελέσματα από τις προσομοιώσεις μαζί με τα κατάλληλα γραφήματα. Τέλος, η διπλωματική εργασία ολοκληρώνεται με το τέταρτο κεφάλαιο όπου θα γίνει η ανασκόπηση της μεθόδου με κάποια συμπεράσματα.","abstract_html":"Στην παρούσα διπλωματική διερευνούμε τον αλγόριθμο Stationary Subspace Analysis, ένας αλγόριθμος τυφλού διαχωρισμού (Blind Source Separation Algorithm - BSSA), ο οποίος διαχωρίζει μία πολυδιάστατη χρονολογική σειρά σε στάσιμους και μη στάσιμους παράγοντες. Σε πολλές εφαρμογές, οι χρονολογικές σειρές περιέχουν πληροφορία από διάφορες πηγές (sources) είτε αυτές είναι στάσιμες είτε μη στάσιμες, οι οποίες δεν μπορούν υπολογισθούν και να μετρηθούν άμεσα. Παραδείγματος χάριν, σε εγκεφαλογραφήματα (EEG) τοποθετούνται ηλεκτρόδια στο κεφάλι του υπό μελέτη υποκειμένου και καταγράφουν τη δραστηριότητα ενός μεγάλου αριθμού πηγών που βρίσκονται στον εγκέφαλο. Αυτές οι πηγές μπορεί να είναι είτε στάσιμες είτε μη στάσιμες αλλά δε μπορούν να διακριθούν στα σήματα των ηλεκτροδίων, τα οποία είναι μία μίξη αυτών. ‘Ετσι, εφαρμόζοντας τον αλγόριθμο SSA μπορούμε να διαχωρίσουμε τις πηγές σε μία παρατηρούμενη χρονολογική σειρά. Σκοπός είναι η κατανόηση του συγκεκριμένου αλγορίθμου, σε θεωρητικό αλλά και σε πρακτικό επίπεδο εφαρμόζοντας τον σε μη – πραγματικά – τεχνητά δεδομένα (toy data) λόγω της έλλειψης πραγματικών δεδομένων, παραδείγματος χάριν ιδανικά θα ήταν δεδομένα από εγκεφαλογραφήματα (EEG). Έτσι με αυτά τα «τεχνητά» δεδομένα θα πραγματοποιήσω προσομοιώσεις και θα παρουσιάσω κατάλληλα γραφήματα ώστε να αποδειχτεί και επί του πρακτέου ό,τι «ισχυρίζεται» ο αλγόριθμος σε θεωρητικό – μαθηματικό επίπεδο. Θα παρουσιαστούν γραφήματα από προσομοιώσεις με διαφορετικά μεγέθη δειγμάτων, μεταβολή του αριθμού των στάσιμων πηγών (sources), μεταβολή του αριθμού των επανεκκινήσεων και μεταβολή των epochs. Στο πρώτο κεφάλαιο της παρούσας εργασίας, περιγράφονται οι βασικές έννοιες που χρησιμοποιήθηκαν καθώς και ο στόχος και η δομή της εργασίας. Στο δεύτερο κεφάλαιο, θα γίνει μία ανασκόπηση της βιβλιογραφίας που μελετήθηκε με σκοπό την διεκπεραίωση της εργασίας. Στο τρίτο κεφάλαιο, θα παρουσιαστεί η μεθοδολογία του αλγορίθμου, η μαθηματική του σκοπιά καθώς επίσης τα αποτελέσματα από τις προσομοιώσεις μαζί με τα κατάλληλα γραφήματα. Τέλος, η διπλωματική εργασία ολοκληρώνεται με το τέταρτο κεφάλαιο όπου θα γίνει η ανασκόπηση της μεθόδου με κάποια συμπεράσματα.","abstract_has_math":false,"creators":["Παπαγιάννης Αλέξανδρος","Papagiannis Alexandros"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020","date_published":"2020","updated_at":"2026-11-19T05:36:58Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2893411"],"render_values":[{"text":"uoadl:2893411","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2893411","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2893411","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%3A2893411","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Παπαγιάννης Αλέξανδρος","Papagiannis Alexandros"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2020"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"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:2893411","https://pergamos.lib.uoa.gr/uoa/dl/object/2893411"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στην παρούσα διπλωματική διερευνούμε τον αλγόριθμο Stationary Subspace Analysis, ένας αλγόριθμος τυφλού διαχωρισμού (Blind Source Separation Algorithm - BSSA), ο οποίος διαχωρίζει μία πολυδιάστατη χρονολογική σειρά σε στάσιμους και μη στάσιμους παράγοντες. Σε πολλές εφαρμογές, οι χρονολογικές σειρές περιέχουν πληροφορία από διάφορες πηγές (sources) είτε αυτές είναι στάσιμες είτε μη στάσιμες, οι οποίες δεν μπορούν υπολογισθούν και να μετρηθούν άμεσα. Παραδείγματος χάριν, σε εγκεφαλογραφήματα (EEG) τοποθετούνται ηλεκτρόδια στο κεφάλι του υπό μελέτη υποκειμένου και καταγράφουν τη δραστηριότητα ενός μεγάλου αριθμού πηγών που βρίσκονται στον εγκέφαλο. Αυτές οι πηγές μπορεί να είναι είτε στάσιμες είτε μη στάσιμες αλλά δε μπορούν να διακριθούν στα σήματα των ηλεκτροδίων, τα οποία είναι μία μίξη αυτών. ‘Ετσι, εφαρμόζοντας τον αλγόριθμο SSA μπορούμε να διαχωρίσουμε τις πηγές σε μία παρατηρούμενη χρονολογική σειρά. Σκοπός είναι η κατανόηση του συγκεκριμένου αλγορίθμου, σε θεωρητικό αλλά και σε πρακτικό επίπεδο εφαρμόζοντας τον σε μη – πραγματικά – τεχνητά δεδομένα (toy data) λόγω της έλλειψης πραγματικών δεδομένων, παραδείγματος χάριν ιδανικά θα ήταν δεδομένα από εγκεφαλογραφήματα (EEG). Έτσι με αυτά τα «τεχνητά» δεδομένα θα πραγματοποιήσω προσομοιώσεις και θα παρουσιάσω κατάλληλα γραφήματα ώστε να αποδειχτεί και επί του πρακτέου ό,τι «ισχυρίζεται» ο αλγόριθμος σε θεωρητικό – μαθηματικό επίπεδο. Θα παρουσιαστούν γραφήματα από προσομοιώσεις με διαφορετικά μεγέθη δειγμάτων, μεταβολή του αριθμού των στάσιμων πηγών (sources), μεταβολή του αριθμού των επανεκκινήσεων και μεταβολή των epochs. Στο πρώτο κεφάλαιο της παρούσας εργασίας, περιγράφονται οι βασικές έννοιες που χρησιμοποιήθηκαν καθώς και ο στόχος και η δομή της εργασίας. Στο δεύτερο κεφάλαιο, θα γίνει μία ανασκόπηση της βιβλιογραφίας που μελετήθηκε με σκοπό την διεκπεραίωση της εργασίας. Στο τρίτο κεφάλαιο, θα παρουσιαστεί η μεθοδολογία του αλγορίθμου, η μαθηματική του σκοπιά καθώς επίσης τα αποτελέσματα από τις προσομοιώσεις μαζί με τα κατάλληλα γραφήματα. Τέλος, η διπλωματική εργασία ολοκληρώνεται με το τέταρτο κεφάλαιο όπου θα γίνει η ανασκόπηση της μεθόδου με κάποια συμπεράσματα.","In this diploma thesis we are investigating the Stationary Subspace Analysis algorithm, a Blind Source Separation Algorithm (BSS Algorithm), which factorizes a multidimensional time series into stationary and non-stationary components. In many applications, time series contain information from various sources, whether stationary or non-stationary, which cannot be calculated and measured immediately. For example, brain electro gals (EEG) place electrodes on the head of the subject under study and record the activity of a large number of sources found in the brain. These sources may either be stationary or non-stationary but cannot be factorized from the signals of the electrodes, which are a mixture of these signals. Thus, by applying the SSA algorithm, we can separate the sources in observed time series. The aim is to understand this algorithm, both theoretically and practically, by applying it to toy - data due to the lack of real data, for example ideally data from EEG. Thus, with these \"artificial\" data, I will perform simulations and present appropriate graphs to prove the \"mathematical\" theoretical - mathematical level. Simulation charts will be presented with different sample sizes, changes in the number of stationary sources, changing the number of restarts, and changing epochs. The first chapter of this paper describes the basic concepts used, the aim and the structure of the work. In the second chapter, I will present a literacy review of the bibliography I studied for the purpose of this work. In the third chapter, it will be presented the methodology of the algorithm, its mathematical view as well as the results from the simulations together with the appropriate graphs. Finally, the diploma thesis will be completed with the fourth chapter, where I will review the method with some conclusions."]},{"key":"dc:title","label":"Title","values":["Στοχαστική Ανάλυση Υποχώρων : Μία Επιτομή"]}]}],"canonical_facts":{"dc:creator":["Παπαγιάννης Αλέξανδρος","Papagiannis Alexandros"],"dc:date":["2020"],"dc:description":["Στην παρούσα διπλωματική διερευνούμε τον αλγόριθμο Stationary Subspace Analysis, ένας αλγόριθμος τυφλού διαχωρισμού (Blind Source Separation Algorithm - BSSA), ο οποίος διαχωρίζει μία πολυδιάστατη χρονολογική σειρά σε στάσιμους και μη στάσιμους παράγοντες. Σε πολλές εφαρμογές, οι χρονολογικές σειρές περιέχουν πληροφορία από διάφορες πηγές (sources) είτε αυτές είναι στάσιμες είτε μη στάσιμες, οι οποίες δεν μπορούν υπολογισθούν και να μετρηθούν άμεσα. Παραδείγματος χάριν, σε εγκεφαλογραφήματα (EEG) τοποθετούνται ηλεκτρόδια στο κεφάλι του υπό μελέτη υποκειμένου και καταγράφουν τη δραστηριότητα ενός μεγάλου αριθμού πηγών που βρίσκονται στον εγκέφαλο. Αυτές οι πηγές μπορεί να είναι είτε στάσιμες είτε μη στάσιμες αλλά δε μπορούν να διακριθούν στα σήματα των ηλεκτροδίων, τα οποία είναι μία μίξη αυτών. ‘Ετσι, εφαρμόζοντας τον αλγόριθμο SSA μπορούμε να διαχωρίσουμε τις πηγές σε μία παρατηρούμενη χρονολογική σειρά. Σκοπός είναι η κατανόηση του συγκεκριμένου αλγορίθμου, σε θεωρητικό αλλά και σε πρακτικό επίπεδο εφαρμόζοντας τον σε μη – πραγματικά – τεχνητά δεδομένα (toy data) λόγω της έλλειψης πραγματικών δεδομένων, παραδείγματος χάριν ιδανικά θα ήταν δεδομένα από εγκεφαλογραφήματα (EEG). Έτσι με αυτά τα «τεχνητά» δεδομένα θα πραγματοποιήσω προσομοιώσεις και θα παρουσιάσω κατάλληλα γραφήματα ώστε να αποδειχτεί και επί του πρακτέου ό,τι «ισχυρίζεται» ο αλγόριθμος σε θεωρητικό – μαθηματικό επίπεδο. Θα παρουσιαστούν γραφήματα από προσομοιώσεις με διαφορετικά μεγέθη δειγμάτων, μεταβολή του αριθμού των στάσιμων πηγών (sources), μεταβολή του αριθμού των επανεκκινήσεων και μεταβολή των epochs. Στο πρώτο κεφάλαιο της παρούσας εργασίας, περιγράφονται οι βασικές έννοιες που χρησιμοποιήθηκαν καθώς και ο στόχος και η δομή της εργασίας. Στο δεύτερο κεφάλαιο, θα γίνει μία ανασκόπηση της βιβλιογραφίας που μελετήθηκε με σκοπό την διεκπεραίωση της εργασίας. Στο τρίτο κεφάλαιο, θα παρουσιαστεί η μεθοδολογία του αλγορίθμου, η μαθηματική του σκοπιά καθώς επίσης τα αποτελέσματα από τις προσομοιώσεις μαζί με τα κατάλληλα γραφήματα. Τέλος, η διπλωματική εργασία ολοκληρώνεται με το τέταρτο κεφάλαιο όπου θα γίνει η ανασκόπηση της μεθόδου με κάποια συμπεράσματα.","In this diploma thesis we are investigating the Stationary Subspace Analysis algorithm, a Blind Source Separation Algorithm (BSS Algorithm), which factorizes a multidimensional time series into stationary and non-stationary components. In many applications, time series contain information from various sources, whether stationary or non-stationary, which cannot be calculated and measured immediately. For example, brain electro gals (EEG) place electrodes on the head of the subject under study and record the activity of a large number of sources found in the brain. These sources may either be stationary or non-stationary but cannot be factorized from the signals of the electrodes, which are a mixture of these signals. Thus, by applying the SSA algorithm, we can separate the sources in observed time series. The aim is to understand this algorithm, both theoretically and practically, by applying it to toy - data due to the lack of real data, for example ideally data from EEG. Thus, with these \"artificial\" data, I will perform simulations and present appropriate graphs to prove the \"mathematical\" theoretical - mathematical level. Simulation charts will be presented with different sample sizes, changes in the number of stationary sources, changing the number of restarts, and changing epochs. The first chapter of this paper describes the basic concepts used, the aim and the structure of the work. In the second chapter, I will present a literacy review of the bibliography I studied for the purpose of this work. In the third chapter, it will be presented the methodology of the algorithm, its mathematical view as well as the results from the simulations together with the appropriate graphs. Finally, the diploma thesis will be completed with the fourth chapter, where I will review the method with some conclusions."],"dc:identifier":["uoadl:2893411","https://pergamos.lib.uoa.gr/uoa/dl/object/2893411"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Στοχαστική Ανάλυση Υποχώρων : Μία Επιτομή"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:36:58Z"}