Show simple item record

Μοντελοποίηση δεδομένων θαλάσσιου κυματισμού με νευρωνικά δίκτυα

dc.contributor.advisorAlexandridis, Alex
dc.contributor.authorΑποστολάκη, Ελένη
dc.date.accessioned2022-10-17T11:31:42Z
dc.date.available2022-10-17T11:31:42Z
dc.date.issued2022-10
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/3130
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-2970
dc.description.abstractΤα 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.el
dc.format.extent71el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/deed.el*
dc.subjectΝευρωνικά δίκτυαel
dc.subjectΑλγόριθμοιel
dc.subjectΑλγόριθμος ασαφών μέσωνel
dc.subjectΠρόβλεψη ύψους κύματοςel
dc.subjectΑλγόριθμοι μηχανικής μάθησηςel
dc.titleΜοντελοποίηση δεδομένων θαλάσσιου κυματισμού με νευρωνικά δίκτυαel
dc.title.alternativeSea wave data modelling using neural networksel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeΖώης, Ηλίας
dc.contributor.committeeFamelis, Ioannis
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικώνel
dc.description.abstracttranslatedNeural networks are mathematical models that retain information using learning techniques derived from the human brain. Today, the phrase "machine learning" is frequently used to describe the scientific field concerned with the creation of algorithms that enable computers to learn based on information obtained from sensors or databases. But how are neural networks connected to the height of the sea wave? Applications like environmental monitoring, the development and protection of ports, and coastal transportation can all benefit from accurate estimation of sea wave height. This Thesis begins by reviewing the traditional wave height prediction techniques, which are based on numerical, statistical, and ensemble models. One existing prediction technique in particular resolves wave spectrum models on grids with orthogonal structures. A number of nodes called grid points make up each grid. The grid is categorized as sparse or dense depending on whether the distance between these points is large or small. The aim of the Thesis is to create a neural network model that will take the data from the sparse grid as inputs and predict what will happen at the nodes of the dense grid. Radial basis function neural networks were used to accomplish this task, and the network's centers were determined using the Fuzzy Means algorithm. After the training of the neural network, the results of the scenarios and their comparison revealed that it is possible to obtain a very good approximation for the significant and maximum wave height of the dense grid by running only the sparse one, resulting to a reduction in computing time. Although the time required to train the model varies and can be lengthy depending on the inputs received by the neural network, the time required for prediction is minimal when compared to conventional prediction methods.el


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

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