ΠΟΛΛΑΠΛΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ ΣΕ ΠΡΟΒΛΕΨΗ ΧΡΟΝΟΣΕΙΡΩΝ

Abstract

ΣΤΟ ΠΛΑΙΣΙΟ ΤΗΣ ΔΙΑΤΡΙΒΗΣ ΣΧΕΔΙΑΣΘΗΚΕ ΚΑΙ ΥΛΟΠΟΙΗΘΗΚΕ ΕΝΑ ΚΑΙΝΟΤΟΜΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΑΝΑΠΤΥΞΗΣ ΑΡΧΙΤΕΚΤΟΝΙΚΩΝ ΠΟΛΛΑΠΛΩΝ ΤΕΧΝΗΤΩΝ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ (Π-ΤΝΔ), ΣΥΣΤΗΜΑ EMNNOS (EXPERT MULTIPLE NEURAL NETWORK OPTIMIZING SYSTEM) ΤΟ ΟΠΟΙΟ ΔΙΑΘΕΤΕΙ ΤΑ ΑΚΟΛΟΥΘΑ ΕΞΑΙΡΕΤΙΚΑ ΠΡΟΗΓΜΕΝΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ, ΥΠΟΣΤΗΡΙΞΗ ΜΟΝΤΕΛΩΝ Π-ΤΝΔ, ΠΑΡΑΛΛΗΛΗ ΑΝΑΠΤΥΞΗ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ ΤΝΔ ΣΕ ΕΝΑ ΤΟΠΙΚΟ ΔΙΚΤΥΟ ΥΠΟΛΟΓΙΣΤΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΙΚΗ ΜΕΘΟΔΟΛΟΓΙΑ ΑΝΑΠΤΥΞΗΣ. ΤΟ ΛΟΓΙΣΜΙΚΟ EMNNOS ΔΙΑΘΕΤΕΙ ΕΞΑΙΡΕΤΙΚΑ ΠΡΟΗΓΜΕΝΗ ΣΧΕΔΙΑΣΗ ΓΡΑΦΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΧΡΗΣΤΗ, ΑΥΤΟΝΟΜΟ ΠΡΟΓΡΑΜΜΑ ΕΓΚΑΤΑΣΤΑΣΗΣ, ΑΜΕΣΗ ΠΑΡΟΧΗ ΒΟΗΘΕΙΑΣ ΓΙΑ ΤΟ ΣΗΜΕΙΟ ΠΟΥ ΒΡΙΣΚΕΤΑΙ Ο ΧΡΗΣΤΗΣ ΚΑΙ ΠΛΗΡΕΣ ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΤΗ. ΣΤΗ ΔΙΑΤΡΙΒΗ ΔΙΑΤΥΠΩΝΕΤΑΙ ΜΙΑ ΣΥΣΤΗΜΑΤΙΚΗ ΜΕΘΟΔΟΛΟΓΙΑ ΑΝΑΠΤΥΞΗΣ ΑΠΟΔΟΤΙΚΩΝ ΜΟΝΤΕΛΩΝ ΜΕ ΧΡΗΣΗ ΤΝΔ ΓΙΑ ΠΡΟΒΛΗΜΑΤΑ ΠΡΟΒΛΕΨΗΣ ΧΡΟΝΟΣΕΙΡΩΝ. Η ΣΗΜΑΝΤΙΚΟΤΕΡΗ ΣΥΝΕΙΣΦΟΡΑ ΤΗΣ ΜΕΘΟΔΟΛΟΓΙΑΣ ΕΙΝΑΙ Η ΠΑΡΟΥΣΙΑΣΗ ΕΝΟΣ ΣΥΣΤΗΜΑΤΙΚΟΥ ΤΡΟΠΟΥΕΠΙΛΟΓΗΣ ΤΩΝ ΜΕΤΑΒΛΗΤΩΝ ΕΙΣΟΔΟΥ ΑΠΟ ΤΟ ΣΥΝΟΛΟ ΤΩΝ ΔΙΑΘΕΣΙΜΩΝ ΜΕΤΑΒΛΗΤΩΝ. ΤΟ ΠΡΩΤΟ ΜΕΘΟΔΟΛΟΓΙΚΟ ΖΗΤΗΜΑ ΠΟΥ ΕΞΕΤΑΖΕΤΑΙ ΕΙΝΑΙ ΟΙ ΕΝΑΛΛΑΚΤΙΚΕΣ ΤΕΧΝΙΚΕΣ ΚΩΔΙΚΟΠΟΙΗΣΗΣ ΤΗΣ ΕΞΟΔΟΥ ΕΝΟΣ ΤΝΔ. Η ΒΑΣΙΚΗ ΣΥΝΕΙΣΦΟΡΑ ΤΗΣ ΜΕΛΕΤΗΣ ΤΩΝ ΕΝΑΛΛΑΚΤΙΚΩΝ ΑΝΑΠΑΡΑΣΤΑΣΕΩΝ ΕΙΝΑΙ Η ΜΕΘΟΔΟΛΟΓΙΑ ΕΜΠΛΟΥΤΙΣΜΟΥ ΤΟΥ ΠΛΗΡΟΦΟΡΙΑΚΟΥ ΠΕΡΙΕΧΟΜΕΝΟΥ ΤΩΝ ΜΕΤΑΒΛΗΤΩΝ ΕΙΣΟΔΟΥ ΜΕ ΧΡΗΣΗ ΤΗΣ ΥΦΙΣΤΑΜΕΝΗΣ ΓΝΩΣΗΣ ΓΙΑ ΤΟ ΜΟΝΤΕΛΟΠΟΙΟΥΜΕΝΟΣΥΣΤΗΜΑ. ΜΙΑ ΔΕΥΤΕΡΗ ΜΕΘΟΔΟΣ ΕΝΣΩΜΑΤΩΣΗΣ ΥΦΙΣΤΑΜΕΝΗΣ (A-PRIORI) ΓΝΩΣΗΣ ΠΟΥ ΑΝΑΠΤΥΧΘΗΚΕ ΕΙΝΑΙ ΟΙ ΚΑΘΟΔΗΓΟΥΜΕΝΕΣ ΕΣΩΤΕΡΙΚΕΣ ΑΝΑΠΑΡΑΣΤΑΣΕΙΣ. (ΠΕΡΙΚΟΠΗ ΠΕΡΙΛΗΨΗΣ)

THE THESIS INCLUDES THE DESIGN AND IMPLEMENTATION OF A NOVEL INTEGRATED ENVIRONMENT FOR THE DEVELOPMENT OF MULTIPLE NEURAL NETWORK MODELS, EMNNOS, (EXPERT MULTIPLE NEURAL NETWORK OPTIMIZING SYSTEM), WHICH PROVIDES THE FOLLOWING INNOVATIVE CHARACTERISTICS: SUPPORT OF MULTIPLE NEURAL NETWORK (MNN) MODELS, SUPPORTOF PARALLEL TRAINING AND EXECUTION OF INDEPENDENT NEURAL MODULES IN A CLUSTER OF PC WORKSTATIONS AND, IMPLEMENTATION OF A MODULAR METHODOLOGY FOR THE DEVELOPMENT OF NEURAL MODELS. EMNNOS ENVIRONMENT IS SUPPORTED WITH STATE-OF-THE-ART GRAPHICAL USER INTERFACE, AUTONOMOUS INSTALLATION UTILITY, CASE-SENSITIVE HELP SYSTEM AND FULL USER DOCUMENTATION. THE DERIVATION OF A STRUCTURED METHODOLOGY FOR THE DEVELOPMENT OF NEURAL NETWORK MODELS FOR TIME-SERIES PREDICTION IS PROVIDED IN THE THESIS. THE MAIN FOCUS IS DRAWN TO THE PROCEDURE OF SELECTION OF THE PROPER SET OF INPUT PARAMETERS TO THE MODEL. THE CLASS OF MULTIPLE NEURAL NETWORKS (MNN) IS EXAMINED IN DETAIL AND METHODOLOGICAL CONCLUSIONS FOR THE DEVELOPMENT OF MNN MODELS ARE STATED. TWO CASE STUDIES OF NEURAL NETWORK MODELS ARE PROVIDED. THE FIRST CASE STUDY DEALS WITH ALTERNATIVE OUTPUT REPRESENTATION SCHEMES OF NEURAL NETWORK MODELS, USED FOR THE IMPLEMENTATION OF A DECISION SUPPORT SYSTEM. IT IS SHOWN THAT ALTERNATIVE OUTPUT REPRESENTATIONS CAN BE USED TO ENHANCE THE INFORMATION CONTENT OF THE TARGET MODEL. THE SECOND CASE STUDY WITH AN INNOVATIVE MNN ARCHITECTURE FOR GUIDED INTERNAL REPRESENTATIONS. THIS METHOD INTRODUCES TOPOLOGICAL CONSTRAINTS USING MNN MODELS, IN ORDER TO ENCODE A-PRIORI KNOWLEDGE. (ABSTRACT TRUNCATED)