Ανάπτυξη προσαρμοστικών μεθόδων για online εκπαίδευση νευρωνικών δικτύων τύπου radial basis function

Κολέτσιος, Σωτήριος

dc.contributor.advisor	Alexandridis, Alex
dc.contributor.author	Κολέτσιος, Σωτήριος
dc.date.accessioned	2021-10-18T13:23:35Z
dc.date.available	2021-10-18T13:23:35Z
dc.date.issued	2021-10
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/1350
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-1201
dc.description.abstract	Η εκπαίδευση σε μη στατικά περιβάλλοντα παρουσιάζει σημαντικές δυσκολίες λόγω του drift που παρουσιάζουν οι ροές δεδομένων καθώς και της περιορισμένης διαθεσιμότητας των δεδομένων αυτών. Από την άλλη, η εκπαίδευση σε μη στατικά περιβάλλοντα είναι πολύ σημαντική για την μοντελοποίηση ροών δεδομένων, όπου ένα αποτελεσματικό και ενημερωμένο μοντέλο είναι αναγκαίο καθώς η ροή δεδομένων εξελίσσεται. Αυτήν η διπλωματική παρουσιάζει έναν νέο αλγόριθμο εκπαίδευσης σε τέτοιου είδους περιβάλλοντα. Χρησιμοποιείται η λογική των τεχνητών νευρωνικών δικτύων, και πιο συγκεκριμένα τα δίκτυα radial basis function (RBF), σε συνδυασμό με τον αλγόριθμο Fuzzy Means (FM) για την ενημέρωση των κέντρων και την τεχνική Givens Rotations για την ενημέρωση των συναπτικών βαρών. Ο προτεινόμενος αλγόριθμος δοκιμάστηκε σε 9 πραγματικές και τεχνητές ροές δεδομένων (benchmark) και έγινε σύγκριση με άλλους γνωστούς αλγορίθμους που υπάρχουν στην βιβλιογραφία. Τα αποτελέσματα δείχνουν πως ο προτεινόμενος αλγόριθμος FM-Givens δημιουργεί μοντέλα με καλύτερη απόδοση ακόμα και σε ροές που υπάρχει drift, ενώ ο χρόνος εκπαίδευσης του παραμένει μικρός.	el
dc.format.extent	58	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Δυτικής Αττικής	el
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές	*
dc.rights.uri	https://creativecommons.org/licenses/by-nc-sa/4.0/deed.el	*
dc.subject	Ροές δεδομένων	el
dc.subject	Φαινόμενο drift	el
dc.subject	Δυναμικά περιβάλλοντα	el
dc.subject	OnLine εκπαίδευση	el
dc.subject	E-learning	el
dc.subject	Δίκτυα ακτινικής συμμετρίας	el
dc.subject	Ασαφή σύνολα	el
dc.subject	Concept drift	el
dc.subject	Data stream	el
dc.subject	Fuzzy means	el
dc.subject	Non-stationary environments	el
dc.subject	Radial basis function	el
dc.subject	Νευρωνικά δίκτυα	el
dc.title	Ανάπτυξη προσαρμοστικών μεθόδων για online εκπαίδευση νευρωνικών δικτύων τύπου radial basis function	el
dc.title.alternative	Development of adaptive methods for online training of radial basis function neural networks	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Ζώης, Ηλίας
dc.contributor.committee	Famelis, Ioannis
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών	el
dc.description.abstracttranslated	Learning on non-stationary environments is laden with many challenges, as the procedure is usually characterized by drifts and data unavailability; on the other hand, it is of great importance with regard to data stream modeling, where an effective and up-to date model is required as the data stream evolves. This work presents a new method for producing highly accurate models for learning on such environments. The method is based on artificial neural networks (ANNs) and more specifically on the efficient architecture of radial basis function (RBF) networks. A novel RBF online training scheme for real time adaption of both the network structure and parameter values is proposed based on the fuzzy means (FM) algorithm and the Givens rotations technique. Within this integrated framework, it is guaranteed that for each update of the network structure, the optimal values for the synaptic weights are calculated efficiently by maintaining low order matrix updates. The proposed approach is evaluated on 9 real-word and artificial benchmark data streams and is compared to other well-known methodologies from the literature. The results show that the FM-Givens algorithm produces models with highly competitive online accuracy for non-stationary environments in the presence of drifts, while maintaining low model-updating times.	el

Files in this item

Name:: Koletsios_06796.pdf
Size:: 2.182Mb
Format:: PDF
Description:: Διπλωματική Εργασία

View/Open

This item appears in the following Collection(s)

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών

Show simple item record

Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές