| dc.contributor.advisor | Μαστοροκώστας, Πάρις | |
| dc.contributor.author | Κανδηλογιαννάκης, Γεώργιος | |
| dc.date.accessioned | 2018-06-13T10:33:56Z | |
| dc.date.available | 2018-06-13T10:33:56Z | |
| dc.date.issued | 2018-06-13 | |
| dc.identifier.uri | http://okeanis.lib2.uniwa.gr/xmlui/handle/123456789/4393 | |
| dc.description.abstract | Σκοπός της διπλωματικής εργασίας είναι η μελέτη και αναπαράσταση ασαφών συστημάτων, που βασίζονται στο μοντέλο Takagi-Sugeno-Kang υψηλής τάξης, και η αποσύνθεση αυτών σε συστήματα πρώτης τάξης. Για την επίτευξη των ανωτέρω γίνεται παρουσίαση ενός αναδρομικού φίλτρου - το οποίο χρησιμοποιεί δύο Δυναμικά Ασαφή Νευρωνικά Δίκτυα - και εφαρμογή αυτού στο πραγματικό πρόβλημα του διαχωρισμού των πνευμονικών ήχων, που λαμβάνονται από ασθενείς με πνευμονική παθολογία. Τα προαναφερθέντα Δυναμικά Ασαφή Νευρωνικά Δίκτυα (Dynamic Fuzzy Neural Networks - DFNN) χρησιμοποιούν ένα πιο σύνθετο μοντέλο Τakagi-Sugeno-Kang όπου το τμήμα απόδοσης αποτελεί ένα ξεχωριστό αναδρομικό νευρωνικό δίκτυο. Τα δύο νευρωνικά δίκτυα (DFNN) του φίλτρου λειτουργούν παράλληλα, εκτελώντας διαχωρισμό σε πραγματικό χρόνο των παθολογικών διακοπτόμενων αναπνευστικών ήχων (Discontinuous Adventitious Sounds – DAS) από τους κυψελιδικούς ήχους (Vesicular Sounds – VS). Ο διαχωρισμός των DAS από τους κυψελιδικούς ήχους (VS) έχει μεγάλη σημασία, αφού η απομόνωση των DAS οδηγεί σε καλύτερη αξιολόγηση του διαγνωστικού τους χαρακτήρα. Για την εκπαίδευση των αναδρομικών ασαφών συστημάτων DFNN προτείνεται η προσαρμοστική μέθοδος εκμάθησης, SA-DRPROP (Simulated Annealing Dynamic Resilient Back-PROPagation – Δυναμική Ευπροσάρμοστη Ανάστροφη Διάδοση με χρήση Προσομοιωμένης Ανόπτησης). Η μέθοδος τροποποιεί τον αλγόριθμο SARPROP (Simulated Annealing Resilient Back-PROPagation), που αναπτύχθηκε αρχικά για στατικά νευρωνικά μοντέλα, προκειμένου να εφαρμοστεί σε δυναμικά μοντέλα. Εκτελούνται εκτεταμένες πειραματικές δοκιμές, τόσο ως προς τις παραμέτρους δομής όσο και ως προς τις παραμέτρους εκπαίδευσης του μοντέλου. Εξετάζονται οι τραχείς και λεπτοί τρίζοντες επιπρόσθετοι αναπνευστικοί ήχοι (fine/coarse crackles), καθώς και τα «κακαρίσματα» (squawks), απ’ όπου εξάγεται πλήθος συμπερασμάτων για την απόδοση του φίλτρου. | el |
| dc.format.extent | 107 | el |
| dc.language.iso | el | el |
| dc.publisher | Α.Ε.Ι. Πειραιά Τ.Τ. | el |
| dc.subject | TPSH::Επιστήμη Υπολογιστών::Νευρωνικά Δίκτυα (Επιστήμη των Υπολογιστών) | el |
| dc.title | Αναπαράσταση ασαφών συστημάτων Takagi-Sugeno-Kang υψηλής τάξης και αποσύνθεση σε συστήματα πρώτης τάξης. Εφαρμογή σε φίλτρο διαχωρισμού πνευμονικών ήχων | el |
| dc.type | Μεταπτυχιακή εργασία | el |
| dc.contributor.committee | Κουκουλέτσος, Κωνσταντίνος | |
| dc.contributor.committee | Έλληνας, Ιωάννης | |
| dc.contributor.master | Εφαρμοσμένα Πληροφοριακά Συστήματα | el |
| dc.subject.keyword | Τεχνητή νοημοσύνη | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Νευρωνικά δίκτυα | el |
| dc.subject.keyword | Ασαφής λογική | el |
| dc.subject.keyword | Ασαφή νευρωνικά δίκτυα | el |
| dc.subject.keyword | Νεύρο-ασαφές μοντέλο | el |
| dc.subject.keyword | Παθολογικοί διακοπτόμενοι αναπνευστικοί ήχοι | el |
| dc.subject.keyword | Κυψελιδικοί ήχοι | el |
| dc.description.abstracttranslated | The scope of this thesis is the study higher-order fuzzy systems, based on the Takagi-Sugeno-Kang model, their decomposition into first-order systems. A recurrent filter is presented, consisting of two Dynamically Neural Networks, which is applied to the real-world problem of the separation of pulmonary sounds obtained from patients with pulmonary pathology. The aforementioned Dynamic Fuzzy Neural Networks (DFNN) use a complex Takagi-Sugeno-Kang model, where the consequent part of its fuzzy rules is a recurrent neural network (RNN) with internal feedback. The DFNNs of the filter work in parallel, performing real-time separation of Vesicular Sounds (VS) from Discontinuous Adventitious Sounds (DAS). The separation of DAS from Vesicular Sounds (VS) is of great importance, since isolation of the DAS leads to a better assessment of their diagnostic character. In order to train the DFNNs, the adaptive learning method, SA-DRPROP (Simulated-Annealing Dynamic Resilient back PROPagation) is proposed. The method modifies the SARPROP (Simulated Annealing Resilient back PROPagation) algorithm, originally developed for static neural models, to apply to dynamic models. The pulmonary sound categories of Fine/Coarse and Squawks are examined. Extensive experimental results are provided, including both architectural and training issues, and interesting conclusions are drawn. | el |
