Συντάχθηκε 24-11-2020 10:06
από Dionysios Christopoulos
Email συντάκτη: dchristopoulos<στο>tuc.gr
Ενημερώθηκε:
-
Ιδιότητα: ΔΕΠ ΗΜΜΥ.
- «Ανάλυση δεδομένων fMRI με φασματικές μεθόδους». Ερευνητικό αντικείμενο: Ανίχνευση τάσεων και συσχετίσεων σε σήματα με χαμηλό SNR χρησιμοποιώντας φασματικές προσεγγίσεις. Τα σήματα αποτελούνται από μεγάλο αριθμό χρονοσειρών περιορισμένου μήκους. Στόχος: Εντοπισμός περιοχών του εγκεφάλου που αποκρίνονται σε εξωτερική διέγερση. Απαιτούμενες γνώσεις: Καλή γνώση Θεωρίας Πιθανοτήτων, Στατιστικής Επεξεργασίας Σήματος, και προγραμματισμός σε Matlab. Επιθυμητές γνώσεις: Στοχαστικές Διαδικασίες και Ανάλυση Χρονοσειρών, Στατιστική Μοντελοποίηση και Αναγνώριση Προτύπων, Θεωρία Φασματικής Ανάλυσης.
- «Σύγκριση Μεθόδων Γεωστατιστικής και Μηχανικής Μάθησης στην Ανάλυση Περιβαλλοντικών Δεδομένων». Ερευνητικό αντικείμενο: Εκτίμηση/πρόβλεψη χωρικά κατανεμημένων περιβαλλοντικών μεταβλητών επί κανονικών πλεγμάτων βάσει μερικών δεδομένων. Οι ελλείψεις μπορεί να οφείλονται είτε στην απουσία μετρήσεων είτε σε δειγματοληπτικό δίκτυο που στερείται την δομή περιοδικού πλέγματος. Σύγκριση Kriging και παλινδρόμησης Γκαουσσιανών ανελίξεων/διεργασιών (Gaussian Process Regression). Στόχος: Βελτιστοποιημένη χαρτογράφηση και ανάλυση αβεβαιότητας για περιβαλλοντικές μεταβλητές. Απαιτούμενες γνώσεις: Καλή γνώση Θεωρίας Πιθανοτήτων, Στατιστικής Επεξεργασίας Σήματος και προγραμματισμός σε τουλάχιστον ένα των Matlab/R/Python. Επιθυμητές γνώσεις: Στοχαστικές Διαδικασίες και Ανάλυση Χρονοσειρών, Στατιστική Μοντελοποίηση και Αναγνώριση Προτύπων, Θεωρία Τυχαίων Πεδίων.
- «Φασματικές Μέθοδοι Προσομοίωσης Τυχαίων Πεδίων». Ερευνητικό αντικείμενο: Διερεύνηση της μεθόδου της τυχαιοποιημένης φασματικής δειγματοληψίας χρησιμοποιώντας διαφορετικές επιλογές για την δειγματοληψία των κυματανυσμάτων και ακολουθίες χαμηλής διαφοροποίησης (low discrepancy sequences). Στόχος: Ευέλικτες, μη-πλεγματικές (meshfree) μέθοδοι χωρικής προσομοίωσης με εφαρμογές σε περίπλοκες χωρικές κατανομές (π.χ., περιβαλλοντικοί ρύποι, κοιτάσματα ορυκτών πόρων, μετεωρολογικές μεταβλητές). Απαιτούμενες γνώσεις: Καλή γνώση Θεωρίας Πιθανοτήτων, Στατιστικής Επεξεργασίας Σήματος και προγραμματισμός σε Matlab. Επιθυμητές γνώσεις: Στοχαστικές Διαδικασίες και Ανάλυση Χρονοσειρών, Στατιστική Μοντελοποίηση και Αναγνώριση Προτύπων, Θεωρία Τυχαίων Πεδίων.
- «Πλήρωση Κενών (gap filling) σε Δεδομένα Τηλεπισκόπησης». Ερευνητικό αντικείμενο: Τα δορυφορικά δεδομένα παρατήρησης της Γης συχνά παρουσιάζουν κενά εξαιτίας της παρουσίας νεφών ή αστοχιών των δορυφορικών αισθητήρων. Στόχος: Διερεύνηση της εφαρμογής μεθόδων χωρικής παρεμβολής βασισμένων σε πεδία Gauss-Markov και σύγκριση με άλλες μεθοδολογίες πλήρωσης κενών. Ενδεικτικά, θα χρησιμοποιηθούν δορυφορικά δεδομένα Sentinel 2 (European Space Agency), ή Landsat (NASA). Συνεργασία με το Χαροκόπειο Πανεπιστήμιο. Απαιτούμενες γνώσεις: Καλή γνώση Θεωρίας Πιθανοτήτων, Στατιστικής Επεξεργασίας Σήματος και προγραμματισμός σε Matlab. Επιθυμητές γνώσεις: Επεξεργασία εικόνας, βασικές γνώσεις πεδίων Gauss-Markov.
Επικοινωνία: Διονύσης Χριστόπουλος, Office 145.A15, Email: dchristopoulos@ece.tuc.gr
