Show simple item record

Πρόβλεψη τροχιάς αεροσκάφους με την χρήση νευρωνικών δικτύων LSTM

dc.contributor.advisorΠελέκης, Νικόλαος
dc.contributor.authorΖαχόπουλος, Γιώργος
dc.date.accessioned2018-08-28T05:54:57Z
dc.date.available2018-08-28T05:54:57Z
dc.date.issued2018-06
dc.identifier.urihttp://dione.lib.unipi.gr/xmlui/handle/unipi/11361
dc.description.abstractΤο Long Short-Term Memory (LSTM) είναι μια αρχιτεκτονική ανατροφοδοτούμενου νευρωνικού δικτύου (RNN), το οποίο σχεδιάστηκε για να προσεγγίζει και να μοντελοποιεί χρονικές ακολουθίες και τις μεγάλου εύρους εξαρτήσεις τους με μεγαλύτερη ακρίβεια από άλλους τύπους RNN. Σε αυτή τη μελέτη, θα χρησιμοποιήσουμε LSTM RNNs για ταξινόμηση τροχιών πτήσεων. Όπως είπαμε, αυτός ο τύπος RNN είναι πολύ αποτελεσματικός για πρόβλεψη και ταξινόμηση ακολουθιών μεγάλου μήκους. Επίσης, θα εκμεταλλευτούμε και το γεγονός ότι τα RNN μπορούν να δεχθούν ως είσοδο ακολουθίες μεταβλητού μήκους. Θα επεξεργαστούμε και θα τροποποιήσουμε τα δεδομένα μες με σκοπό να μπορούμε να τα χρησιμοποιήσουμε στην ανάλυσή μας. Τα δεδομένα θα είναι το γεωγραφικό μήκος, το γεωγραφικό πλάτος και το υψόμετρο, η ταχύτητα, η υγρασία κτλ. Τέλος, θα κατασκευάσουμε το LSTM RNN και να βελτιστοποιήσουμε τις παραμέτρους του, ώστε να πετύχουμε αρκετά μεγάλη ακρίβεια και μετά θα παρουσιάσουμε τα αποτελέσματα.el
dc.format.extent82el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Πειραιώςel
dc.titleΠρόβλεψη τροχιάς αεροσκάφους με την χρήση νευρωνικών δικτύων LSTMel
dc.title.alternativePrediction of aircraft trajectory using LSTM neural networksel
dc.typeMaster Thesisel
dc.contributor.departmentΣχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικήςel
dc.description.abstractENLong Short-Term Memory (LSTM) is a neural network (RNN) feedback architecture designed to approach and model time sequences and their broader dependencies more accurately than other RNN types. In this study, we will use LSTM RNNs to classify flight paths. As we said, this type of RNN is very effective for predicting and classifying length sequences. We will also take advantage of the fact that RNNs can accept sequences of variable length as inputs. We will process and modify the data in order to be able to use it in our analysis. The data will be latitude, latitude and altitude, speed, humidity, etc. Finally, we will build the LSTM RNN and optimize its parameters to achieve fairly high accuracy and then present the results.el
dc.contributor.masterΠροηγμένα Συστήματα Πληροφορικήςel
dc.subject.keywordLSTMel
dc.subject.keywordΠρόβλεψη τροχιάς αεροσκάφουςel
dc.subject.keywordΝευρωνικά δίκτυαel
dc.date.defense2018-06-04


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record


Βιβλιοθήκη Πανεπιστημίου Πειραιώς
Contact Us
Send Feedback
Created by ELiDOC
Η δημιουργία κι ο εμπλουτισμός του Ιδρυματικού Αποθετηρίου "Διώνη", έγιναν στο πλαίσιο του Έργου «Υπηρεσία Ιδρυματικού Αποθετηρίου και Ψηφιακής Βιβλιοθήκης» της πράξης «Ψηφιακές υπηρεσίες ανοιχτής πρόσβασης της βιβλιοθήκης του Πανεπιστημίου Πειραιώς»