Συντάχθηκε 23-06-2021 09:05
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 24/06/2021 13:00
Λήξη: 24/06/2021 14:00
ΑΝΑΚΟΙΝΩΣΗ ΠΑΡΟΥΣΙΑΣΗΣ Διπλωματικής
Όνοματεπώνυμο Φοιτητή: Νικόλαος Κυρίακου
Α.Μ.: 2012050051
Ημερομηνία Παρουσίασης: 24/06/2021
Ώρα:13:00
Αίθουσα: https://tuc-gr.zoom.us/j/2890432191?pwd=dDFCRUV5d2RyNjh5dVFXUlBSb2RHZz09
Θέμα «Συσχέτηση και συμπλήρωση βροχομετρικών δεδομένων της περιοχής Κάμπου Χανίων με χρήση τεχνιτών νευρωνικών δικτύων»
Title «Correlation and completion of rainfall data in Kampos, Chania using artificial neural network»
Επιβλέπων: Καθηγητής Γεώργιος Καρατζάς
Τριμελής Εξεταστική Επιτροπή:
1 Καθηγητής Γεώργιος Καρατζας
2 Καθηγητής Νικόλαος Νικολαΐδης
3 Δρ. Ιωάννης Τριχάκης
Περίληψη: Στο πλαίσιο της παρούσας διπλωματικής εργασίας εξετάζεται η χρήση και η εκπαίδευση τεχνητών νευρωνικών δικτύων, με σκοπό την προσομοίωση τιμών βροχόπτωσης στην περιοχή του Σταλού που δεν καταγράφηκαν λόγω βλαβών στον σταθμό, λαμβάνοντας ως δεδομένα εισόδου τιμές βροχόπτωσης της ευρύτερης περιοχής του κάμπου Χανιών κατά την περίοδο 10/2018 έως 10/2019.
Στον Κάμπο Χανίων εκτός από τον μετεωρολογικό σταθμό του Σταλού, εδρεύουν και εκείνοι της πόλης των Χανίων, των Κουνουπιδιανών (Πολυτεχνειούπολη), του Πλατανία και του Αλικιανού. Χρησιμοποιώντας τα δεδομένα χρονοσειρών βροχόπτωσης των 5 αυτών μετεωρολογικών σταθμών για ένα διάστημα ενός χρόνου που λειτουργούσαν όλοι, έγινε μια προεπεξεργασία των τιμών για να απομονωθούν οι μελετώμενες τιμές. Καθώς, οι χρονοσειρές που προκύπτουν από διαδικασία καταγραφής υψών βροχής είναι μη γραμμικές κρίθηκε εφαρμόσιμη η χρήση Τεχνητών Νευρωνικών Δικτύων για την πραγματοποίηση της εργασίας.
Αρχικά χρειαζόταν η δημιουργία ενός πίνακα εισόδου με τις τιμές της βροχής που καταγράφηκαν στους σταθμούς του Αλικιανού, του Πλατανιά, του κέντρου Χανίων και των Κουνουπιδιανών και ενός διανύσματος στόχου στο νευρωνικό δίκτυο με τις τιμές του σταθμού του Σταλού. Μετά την ολοκλήρωση αυτής της προεπεξεργασίας, τα τεχνητά νευρωνικά δίκτυα εκπαιδεύτηκαν με το εργαλείο Neural Fitting Tool (nftool) του περιβάλλοντος της Matlab. Οι δύο αλγόριθμοι εκπαίδευσης που χρησιμοποιήθηκαν είναι οι Levenberg-Marquardt και Bayesian Regularization. Η εκπαίδευση των τεχνητών νευρωνικών δικτύων πραγματοποιήθηκε με βάση τα παραπάνω για διαφορετικές παραμέτρους κάθε φορά ως προς τους κρυφούς κόμβους, τα ποσοστά εκπαίδευσης καθώς και τους αλγόριθμους εκπαίδευσης. Κατά την διάρκεια εκπαίδευσης τεχνητών νευρωνικών δικτύων, έγινε προσπάθεια να εντοπιστεί το μοντέλο με τις παραμέτρους από το οποίο θα πρόκυπταν τα βέλτιστα αποτελέσματα. Κριτήρια επιλογής για την επιλογή του βέλτιστου μοντέλου ήταν η τετραγωνική ρίζα του μέσου τετραγωνικού σφάλματος και ο συντελεστής συσχέτισης. Τέλος, συνοψίζοντας τα αποτελέσματα επιτεύχθηκε σφάλμα της τάξεως 10-2 m με την χρήση του αλγόριθμου Bayesian Regularization.
Abstract: In the context of this thesis, the use and training of artificial neural networks is examined to simulate the rainfall data in Stalos area, which they didn’t recorded cause of damages in the station, processing rainfall data of the whole area of Kampos, Chania, during the period of 9/2018 to 9/2019.
In Kampos, Chania, apart from the meteorological station of Stalos, are also located those of the city of Chania, Kounoupidiana (University’s campus), Platanias and Alikianos. Using the rainfall time series data of these five (5) meteorological stations for a period of one year that all operated, a pre-processing of the values was done to isolate the studied values. As the time series resulting from the process of recording rainfall heights are non-linear, the use of Artificial Neural Networks to carry out the work was deemed feasible.
Initially, it was essential to create an input table with the rainfall values recorded at the stations of Alikianos, Platanias, the center of Chania and Kounoupidiana, and a target vector in the neural network with the values of the station of Stalos. After the data pre-processing was completed, artificial neural networks were trained with Neural Fitting tool (nftool) of Matlab. The two training algorithms used are Levenberg-Marquardt and Bayesian Regularization. The training of artificial neural networks was based on the above for different parameters each time in terms of hidden nodes, training percentages and training algorithms. During the training of artificial neural networks, an attempt was made to identify the model with the parameters from which the optimal results would be emerged. Selection criteria for selecting the optimal model were the square root of the mean square error and the correlation coefficient. Finally, summarizing our results, a fault of the order 10-2m was achieved using the Bayesian Regularization algorithm.
