| dc.contributor.advisor | Πελέκης, Νικόλαος | |
| dc.contributor.author | Ζαχόπουλος, Γιώργος | |
| dc.date.accessioned | 2018-08-28T05:54:57Z | |
| dc.date.available | 2018-08-28T05:54:57Z | |
| dc.date.issued | 2018-06 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/11361 | |
| dc.description.abstract | Το 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.extent | 82 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Πρόβλεψη τροχιάς αεροσκάφους με την χρήση νευρωνικών δικτύων LSTM | el |
| dc.title.alternative | Prediction of aircraft trajectory using LSTM neural networks | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | Long 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.master | Προηγμένα Συστήματα Πληροφορικής | el |
| dc.subject.keyword | LSTM | el |
| dc.subject.keyword | Πρόβλεψη τροχιάς αεροσκάφους | el |
| dc.subject.keyword | Νευρωνικά δίκτυα | el |
| dc.date.defense | 2018-06-04 | |
