Encapsulating measurement uncertainty. UPROP: A Python library for Uncertainty Propagation

Στυλιανός, Τσαγκαράκης; Stylianos, Tsagkarakis

dc.contributor.author	Στυλιανός, Τσαγκαράκης	el
dc.contributor.author	Stylianos, Tsagkarakis	en
dc.date.accessioned	2022-07-20T11:20:03Z
dc.date.available	2022-07-20T11:20:03Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55456
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23154
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.subject	Probability	en
dc.subject	Uncertainty	en
dc.subject	Uncertainty propagation	en
dc.subject	Random variables	en
dc.subject	Python	en
dc.subject	Θόρυβος	el
dc.subject	Αβεβαιότητα	el
dc.subject	Διάδοση θορύβου	el
dc.subject	Τυχαίες μεταβλητές	el
dc.subject	Πιθανότητα	el
dc.title	Encapsulating measurement uncertainty. UPROP: A Python library for Uncertainty Propagation	en
dc.contributor.department	ΕΡΓΑΣΤΗΡΙΟ ΜΙΚΡΟΫΠΟΛΟΓΙΣΤΩΝ ΚΑΙ ΨΗΦΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ VLSI	el
heal.type	bachelorThesis
heal.classification	Software Engineering	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-03-04
heal.abstract	Σε αυτή τη διπλωματική παρουσιάζουμε την βιβλιοθήκη UPROP. Η βι‐ βλιοθήκη εισάγει τον τύπο Uncertain που αποτελεί ένα προγραμματιστι‐ κό μοντέλο για περιγραφή, αποθήκευση και εκτέλεση πράξεων πάνω σε αβέ‐ βαια δεδομένα. Υπερφορτώνουμε αριθμητικούς και συγκριτικούς τελεστές ούτως ώστε να πετύχουμε την μετάδοση και τη διάδοση του θορύβου εισό‐ δου στην έξοδο. Παράλληλα αναπτύσσουμε εφαρμογές, δοκιμάζοντας στην πράξη το προγραμματιστικό μοντέλο. Ο κύριος στόχος μας είναι να παρέχουμε σε μη‐ειδήμονες προγραμματι‐ στές, μια φιλική ως προς το χρήστη διεπαφή με ένα ευρύ φάσμα δυνατοτή‐ των, που θα τους επιτρέπει να διαχειριστούν το θόρυβο χωρίς να τον αγνο‐ ούν. Το κυριότερο πλεονέκτημα της βιβλιοθήκης UPROP πηγάζει από την ευελιξία και ευκολία στη χρήση της. ∆οκιμάζουμε τη βιβλιοθήκη αναπτύσ‐ σοντας εφαρμογές που χρησιμοποιούν μετρήσεις αισθητήρων και μας επι‐ τρέπουν να δείξουμε τα πλεονεκτήματα της χρήσης της σε σχέση με τις συμ‐ βατικές μεθόδους. Βλέπουμε πως οδηγούμαστε σε βελτιωμένη ακρίβεια, σε σχέση με τις συμβατικές μεθόδους, που κυμαίνεται από 1.2× έως 40× με μέση τιμή 7×. Τέλος Συγκρίνουμε την υλοποίηση μας με βιβλιοθήκες και υλοποιήσεις υλικού τελευταίας τεχνολογίας και παραθέτουμε τις διαφορές τους. Αν και αυτή η προσέγγιση διασφαλίζει ότι η πρόσβαση στο θόρυβο γίνε‐ ται με ένα εύχρηστο και μινιμαλιστικό τρόπο, υπάρχουν και μειονεκτήματά. Κατά τον υπολογισμό με τη βιβλιοθήκη UPROP, η επιλογή του μεγέθους ανα‐ παράστασης των Uncertain αντικειμένων ενσωματώνει τον κλασικό συμ‐ βιβασμό μεταξύ ταχύτητας και ακρίβειας, πολύ μεγάλος και η χρήση της βιβλιοθήκης θα είναι πολύ αργή για πρακτική χρήση, πολύ μικρό και δε θα υπάρχει αρκετή ακρίβεια στους υπολογισμούς.	el
heal.abstract	In this work we present the UPROP Python library. A library for Uncertainty PROPagation, that allows developers to describe, store, and execute arithmetic operations on uncertain data. We overload arithmetic and comparison operators in order to achieve propagation of the input uncertainty to the output. To benchmark the library we develop real life applications with data derived from sensors. The main goal of the UPROP Library is to provide non-expert pro- grammers a basic, user-friendly interface with a wide range of operations, which allows them to reason about uncertainty without ignoring it. The main advantage of the Uncertain type originates from it’s flexibility and minimalism. We develop GPS and sound recognition applications, using the UPROP library and uncertain sensor measurements. The usage of the library shows improved expressiveness and accuracy over the conven- tional usage of particle (one-sample) calculations. This approach leads to an average accuracy improvement, ranging from 1.2× to 40× with an average value of 7×. We further test the library using micro-benchmark comparisons with the state-of-the-art and list their differences. While the implementation of the UPROP library ensures the accessi- bility and expressivity of the Uncertain type it also has the potential to make a practical implementation impossible. The representation size em- bodies the classic speed-accuracy trade-off. Too high and the Uncertain type will be too slow for practical use; too low and it will be too inaccu- rate to solve real problems.	en
heal.advisorName	Soudris, Dimitrios	en
heal.advisorName	Tsoutsouras, Vasileios	en
heal.committeeMemberName	Soudris, Dimitrios	en
heal.committeeMemberName	Tsanakas, Panayiotis	en
heal.committeeMemberName	Xydis, Sotirios	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Μικροϋπολογιστών και Ψηφιακών Συστημάτων VLSI	el
heal.academicPublisherID	ntua
heal.numberOfPages	129 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false