Μοντελοποίηση δεδομένων θαλάσσιου κυματισμού με νευρωνικά δίκτυα

Abstract

Τα νευρωνικά δίκτυα είναι μαθηματικά μοντέλα που χρησιμοποιούν αλγόριθμους μάθησης εμπνευσμένους από τον ανθρώπινο εγκέφαλο για την αποθήκευση πληροφοριών. Σήμερα, ο όρος μηχανική μάθηση χρησιμοποιείται συχνά και αναφέρεται στον επιστημονικό κλάδο που ασχολείται με το σχεδιασμό και την ανάπτυξη αλγορίθμων, που επιτρέπουν στους υπολογιστές να μαθαίνουν, από δεδομένα που προέρχονται από αισθητήρες ή βάσεις δεδομένων. Πως όμως συνδέονται τα νευρωνικά δίκτυα με το ύψος του κύματος της θάλασσας; Η αξιόπιστη εκτίμηση του ύψους κύματος της θάλασσας μπορεί να παρέχει χρήσιμες πληροφορίες για εφαρμογές, όπως η παρακολούθηση του περιβάλλοντος και η προστασία και ανάπτυξη των λιμανιών και των παράκτιων μεταφορών. Στην παρούσα διπλωματική εργασία, αρχικά γίνεται ανασκόπηση των συμβατικών μεθόδων πρόβλεψης του ύψους κύματος, που βασίζονται σε αριθμητικά, στατιστικά και στοχαστικά μοντέλα. Ειδικότερα, μια υπάρχουσα μέθοδος πρόβλεψης είναι αυτή κατά την οποία τα μοντέλα του κυματικού φάσματος επιλύονται σε ορθογώνια δομημένα πλέγματα. Κάθε πλέγμα αποτελείται από έναν αριθμό κόμβων τα οποία ονομάζονται σημεία του πλέγματος. Ανάλογα με το αν η απόσταση των σημείων αυτών είναι μεγάλη ή μικρή, το πλέγμα θεωρείται αραιό ή πυκνό αντίστοιχα. Στόχος της εργασίας είναι η ανάπτυξη ενός μοντέλου βασισμένο σε νευρωνικά δίκτυα, το όποιο θα δέχεται ως εισόδους τις πληροφορίες του αραιού πλέγματος και προβλέπει τι συμβαίνει στους κόμβους του πυκνού πλέγματος. Για την επίτευξή αυτού του στόχου χρησιμοποιήθηκαν τα νευρωνικά δίκτυα ακτινικής βάσης, ενώ για τον υπολογισμό των κέντρων του δικτύου χρησιμοποιήθηκε ο αλγόριθμος των ασαφών μέσων. Κατόπιν, λοιπόν, της εκπαίδευσης του νευρωνικού δικτύου, τα αποτελέσματα των σεναρίων και η σύγκριση αυτών έδειξαν ότι υπάρχει η δυνατότητα εξαγωγής μιας πολύ καλής προσέγγισης για το μέσο και το μέγιστο ύψος κύματος του πυκνού πλέγματος τρέχοντας μόνο το αραιό, με αποτέλεσμα την σημαντική μείωση του υπολογιστικού χρόνου. Συγκεκριμένα, αν και ο χρόνος που απαιτείται για την εκπαίδευση του μοντέλου ποικίλει και μπορεί να είναι μεγάλος ανάλογα με τις εισόδους που λαμβάνει το νευρωνικό δίκτυο, ο χρόνος για την πρόβλεψη είναι μηδαμινός σε σχέση με τις συμβατικές μεθόδους πρόβλεψης.