Λογότυπο αποθετηρίου

Διδακτορικές διατριβές

Μόνιμο URI για αυτήν τη συλλογήhttps://pyxida.aueb.gr/handle/123456789/53

Περιήγηση

Πλοήγηση Διδακτορικές διατριβές ανά Θέμα "Algorithm adaptation methodologies"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Real-time pattern recognition in data streams in the IoT
    (2025-07-31) Polytarchos, Elias; Πολύταρχος, Ηλίας; Doukidis, Georgios; Bardaki, Cleopatra; Lekakos, Georgios; Papakyriakopoulos, Dimitrios; Pnevmatikatos, Dionisios; Chatziantoniou, Damianos; Pramatari, Aikaterini
    Η ταχεία ανάπτυξη του Διαδικτύου των Πραγμάτων (IoT), σε συνδυασμό με τις χρηματοοικονομικές συναλλαγές που βασίζονται σε τεχνολογία blockchain και τα παραδοσιακά οικονομικά δίκτυα, καθώς και τα κοινωνικά δίκτυα, έχει οδηγήσει στη δημιουργία τεράστιων ροών δεδομένων. Αυτές περιέχουν μια πρωτοφανή ποσότητα πληροφοριών που κινδυνεύουν να χαθούν, εκτός αν αναλυθούν και επεξεργαστούν, χωρίς την αυστηρή απαίτηση αποθήκευσής τους. Η παρούσα διατριβή εξετάζει τις προκλήσεις και τις ευκαιρίες που συνδέονται με την ανάλυση τέτοιων ροών δεδομένων, τονίζοντας την ανάγκη για μεθοδολογίες που μπορούν να διαχειριστούν τη συνεχόμενη εισροή δεδομένων χωρίς να βασίζονται σε μεγάλους όγκους αποθηκευμένων ιστορικών δεδομένων. Οι παραδοσιακοί αλγόριθμοι μηχανικής μάθησης αποτυγχάνουν σε αυτό το πλαίσιο λόγω της ανάγκης τους για πολλαπλές διαβάσεις των δεδομένων, της αδυναμίας προσαρμογής σε μεταβολές των στατιστικών ιδιοτήτων των ροών δεδομένων και των υψηλών υπολογιστικών απαιτήσεων. Η εργασία αυτή ερευνά την προσαρμογή διάφορων αλγορίθμων ομαδοποίησης και ταξινόμησης για την ανάλυση ροών δεδομένων σε πραγματικό χρόνο, μέσω της μεθοδολογίας BEReTiC, που έχει κατοχύρωθεί με δίπλωμα ευρεσιτεχνίας. Το BEReTiC αποτελεί έναν πολυπλέκτη και προσαρμογέα αλγορίθμων ομαδοποίησης και ταξινόμησης σε πραγματικό χρόνο, σχεδιασμένο να αντιμετωπίζει τις μοναδικές ιδιότητες των ροών δεδομένων, όπως το concept drift και evolution. Παρουσιάζεται ο αλγόριθμος CluNN, ένας καινοτόμος κατοχυρωμένος αλγόριθμος ομαδοποίησης, σχεδιασμένος για ομαδοποίηση ροών δεδομένων. Η απόδοση και η ακρίβεια της μεθοδολογίας και του αλγορίθμου αξιολογούνται μέσω ποιοτικών και εμπειρικών αξιολογήσεων σε πολλαπλούς πραγματικούς τομείς εφαρμογής, συμπεριλαμβανομένων εφαρμογών με ροές δεδομένων άγνωστης ή ασταθούς κατανομής, καθώς και εφαρμογών των οποίων οι ροές δεδομένων υπακούουν σε πιο προβλέψιμες κατανομές. Τα αποτελέσματα δείχνουν ότι το BEReTiC και ο CluNN επιτρέπουν την έγκαιρη, προσαρμοστική και ακριβή αναγνώριση προτύπων τόσο σε ασταθείς όσο και σε ντετερμινιστικά περιβάλλοντα, αντιμετωπίζοντας κρίσιμες προκλήσεις στην ανάλυση ροών δεδομένων σε πραγματικό χρόνο. Οι συνεισφορές αυτές ανοίγουν τον δρόμο για μια αποτελεσματική και πρακτική ενσωμάτωση δυνατοτήτων αναγνώρισης προτύπων σε πραγματικά συστήματα IoT.