Your browser does not support JavaScript!

Αρχική    Αναζήτηση  

Αποτελέσματα - Λεπτομέρειες

Εντολή Αναζήτησης : Συγγραφέας="Βίλλια"  Και Συγγραφέας="Μαρία"  Και Συγγραφέας="Μυρτώ"  Και Συγγραφέας="Χ."

Τρέχουσα Εγγραφή: 1 από 1

Πίσω στα Αποτελέσματα Προηγούμενη σελίδα
Επόμενη σελίδα
Προσθήκη στο καλάθι
[Προσθήκη στο καλάθι]
Κωδικός Πόρου 000425748
Τίτλος Predicting dynamical chaos with recurrent neural networks
Άλλος τίτλος Προβλέποντας δυναμικό χάος με επανατροφοδοτούμενα νευρωνικά δίκτυα
Συγγραφέας Βίλλια, Μαρία Μυρτώ Χ.
Σύμβουλος διατριβής Τσιρώνης, Γεώργιος
Περίληψη Η πρόβλεψη χαοτικών φαινομένων είναι δελεαστική. Και πώς δεν θα μπορούσε να είναι όταν ο πιο κοινός ορισμός του χάους είναι η μη προβλεψιμότητα του; Στην παρούσα μελέτη στόχος μας είναι να προβλέψουμε χαοτικές χρονοσειρές. Οι χρονοσειρές αυτές παράγονται από δύο μοντέλα τα οποία μπορούν να εμφα- νίζουν χαοτική συμπεριφορά, τα μοντέλα Lorenz και Hindmarsh-Rose. Για να πετύχουμε το στόχο μας, χρησιμοποιούμε έναν αλγόριθμο μηχανικής μάθησης που ονομάζεται Long S hort T erm Memory (LS T M). Πιο συγκεκριμένα, στο Κεφάλαιο 1 παρουσιάζουμε τα δύο αυτά χαοτικά μοντέλα, δίνουμε ορισμούς για ορισμένες χαρακτηριστικές ποσοτήτες του χάους, και παραθέτουμε λεπτομερώς τους στόχους αυτής της εργασίας. Στη συνέχεια, στο Κεφάλαιο 2, εισάγουμε τη βασική θεωρία των τεχνητών νευρωνικών δικτύων και εστιάζουμε στα recurrent neural networks των οποίων τα δίκτυα LS T M είναι μια ειδική κατηγορία. Τέλος, στο Κεφάλαιο 3 παρουσιάζουμε τα αποτελέσματά μας και στο Κεφάλαιο 4 κάνουμε μια συζήτη- σή γύρω από αυτά. Αναλυτικά, στο Κεφάλαιο 3 μελετήσαμε τρεις συγκεκριμένες χρονοσειρές που παράγονται από το μοντέλο Lorenz. Τα αποτελέσματα των προσο- μοιώσεων μας δείχνουν ότι υπάρχει σαφής σχέση μεταξύ του ορίζοντα πρόβλεψης κάθε χρονοσειράς και των εκθετών Lyapunov. Ταυτόχρονα, αποδεικνύουμε ότι αυτή η σχέση εξαρτάται από τον αριθμό των δεδομένων εκπαίδευσης. Τέλος, στο ίδιο Κεφάλαιο, παρουσιάζουμε μια παραλλαγή της βασικής μας μεθόδου η οποία μας παρέχει καλύτερες προβλέψεις για ακραία χαοτικές χρονοσειρές. Προφανώς, ο πειραματισμός με το χάος δεν είναι εύκολη υπόθεση. Χρειάστηκε να αναπτύξου- με απαιτητικά προγράμματα και να δοκιμάσουμε πολλές διαφορετικές εκδοχές του αλγορίθμου μας πριν φτάσουμε στους στόχους μας. Σε αυτό το πλαίσιο, μελε- τήσαμε μια χρονοσειρά με ιδιόμορφη συμπεριφορά που παράγεται από το μοντέλο Hindmarsh-Rose και παρουσιάζουμε τα πιο ενδιαφέροντα από τα αποτελέσματα μας.
Φυσική περιγραφή iii, 36 σ. : πίν., σχήμ. εικ. (μερ. εγχρ) ; 30 εκ.
Γλώσσα Αγγλικά
Θέμα Machine learning
Μηχανική μάθηση
Ημερομηνία έκδοσης 2019-11-29
Συλλογή   Σχολή/Τμήμα--Σχολή Θετικών και Τεχνολογικών Επιστημών--Τμήμα Φυσικής--Μεταπτυχιακές εργασίες ειδίκευσης
  Τύπος Εργασίας--Μεταπτυχιακές εργασίες ειδίκευσης
Μόνιμη Σύνδεση https://elocus.lib.uoc.gr//dlib/e/0/3/metadata-dlib-1573033530-902586-1968.tkl Bookmark and Share
Εμφανίσεις 456

Ψηφιακά τεκμήρια
No preview available

Κατέβασμα Εγγράφου
Προβολή Εγγράφου
Εμφανίσεις : 48