Πειραματική διερεύνηση αλγορίθμων για βελτιστοποίηση της απόδοσης της πρόγνωσης χρονοσειρών με τη χρήση της μεθόδου των τεχνητών νευρωνικών δικτύων

Τσαλαβούτης, Βασίλειος; Tsalaboutis, Vasilios

dc.contributor.author	Τσαλαβούτης, Βασίλειος	el
dc.contributor.author	Tsalaboutis, Vasilios	en
dc.date.accessioned	2015-01-28T13:08:20Z
dc.date.available	2015-01-28T13:08:20Z
dc.date.issued	2015-01-28
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/40159
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.7928
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Πρόγνωση	el
dc.subject	Χρονοσειρές	el
dc.subject	Εκπαίδευση δικτύου	el
dc.subject	Αλγόριθμοι εκπαίδευσης	el
dc.subject	Artificial neural networks	en
dc.subject	Forecasting	en
dc.subject	Time series	en
dc.subject	Training network	en
dc.subject	Training algorithms	en
dc.title	Πειραματική διερεύνηση αλγορίθμων για βελτιστοποίηση της απόδοσης της πρόγνωσης χρονοσειρών με τη χρήση της μεθόδου των τεχνητών νευρωνικών δικτύων	el
heal.type	bachelorThesis
heal.classification	ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ, ΜΑΘΗΜΑΤΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ	el
heal.classificationURI	http://localhost:8080/healp/data/2/38
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2014-10-21
heal.abstract	Τα τεχνητά νευρωνικά δίκτυα αποτελούν ένα πολλά υποσχόμενο εργαλείο στο χώρο της πρόβλεψης χρονοσειρών. Τα ιδιαίτερα χαρακτηριστικά που παρουσιάζουν σε σχέση με τις κλασικές μεθόδους προβλέψεων και ιδιαίτερα η ικανότητα τους να ανιχνεύουν και μη γραμμικές σχέσεις μεταξύ των δεδομένων τα καθιστούν ένα πολύ ενδιαφέρον αντικείμενο προς μελέτη. Στα πλαίσια της συγκεκριμένης διπλωματικής μελετούνται τα τεχνητά νευρωνικά δίκτυα και η απόδοση τους στο πεδίο των προβλέψεων. Πιο συγκεκριμένα μελετάται και πραγματοποιείται σύγκριση της συμπεριφοράς πέντε αλγορίθμων που στόχο έχουν τη βελτιστοποίηση της απόδοσης του δικτύου κατά την πρόβλεψη χρονοσειρών. Στόχος είναι να διαπιστωθεί αν κάποιος ή κάποιοι από αυτούς τους αλγορίθμους επιτυγχάνουν στην πράξη να βελτιώσουν την απόδοση των νευρωνικών δικτύων κατά την διαδικασία της πρόβλεψης, χωρίς να μεταβάλλουν τη δομή του δικτύου ή να επιδρούν στη διαδικασία της εκπαίδευσης, σε σχέση με τον κλασικό τρόπο εκπαίδευσης των νευρωνικών δικτύων. Για την μελέτη του συγκεκριμένου ζητήματος πραγματοποιείται μία σειρά από υπολογιστικά πειράματα κατά την οποία μεταβάλλονται σταδιακά οι σημαντικότερες παράμετροι ενός νευρωνικού δικτύου και εξετάζονται τα αποτελέσματα που παράγονται από κάθε αλγόριθμο. Συμπληρωματικά στην παραπάνω μελέτη πραγματοποιείται και μία δεύτερη κατά την οποία εξετάζεται η επίδραση συγκεκριμένων παραγόντων στην απόδοση του δικτύου κατά τη διαδικασία της πρόβλεψης, όπως είναι ο αριθμός νευρώνων και το μέγεθος του σετ δεδομένων.	el
heal.abstract	Artificial Neural Networks are a very promising computational tool in the field of time series forecasting. Their specific features compared to the classic forecasting methods and especially their ability to track nonlinear relationships in the data, make them a very interesting subject to study. In this thesis, neural networks and their performance in the field of forecasting are studied. Specifically a comparison between five algorithms, which aim in the optimization of the network’s forecasting performance, is implemented and studied. The goal is to find out if any of those algorithms manage to optimize the forecasting performance of the network, without changing the network’s structure or affecting the basic training procedure. For this purpose a series of computational experiments is carried out, in which the most important parameters of a neural network are gradually changed and the results that each algorithm produces are studied. In addition to these experiments, a second series of computational experiments is made, in which the impact of certain factors, such as the number of neurons or the size of the training data set, in the network’s forecasting performance is examined.	en
heal.advisorName	Τόλης, Αθανάσιος	el
heal.committeeMemberName	Τόλης, Αθανάσιος	el
heal.committeeMemberName	Πόνης, Σταύρος	el
heal.committeeMemberName	Παναγιώτου, Νικόλαος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Βιομηχανικής Διοίκησης και Επιχειρησιακής Έρευνας	el
heal.academicPublisherID	ntua
heal.numberOfPages	131 σ.
heal.fullTextAvailability	true