Ταξινόμηση με χρήση αλγορίθμων data mining και ασαφούς λογικής σε δεδομένα σημάτων αστέρων νετρονίων

Μανώλης, Ιωάννης

dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Μανώλης, Ιωάννης
dc.date.accessioned	2026-04-03T09:49:46Z
dc.date.available	2026-04-03T09:49:46Z
dc.date.issued	2025
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/19124
dc.description.abstract	Η παρούσα μελέτη διερευνά την απόδοση τόσο κλασικών όσο και ασαφών αλγορίθμων ταξινόμησης στην πρόβλεψη της αυθεντικότητας σημάτων pulsar, χρησιμοποιώντας ένα ευρέως αποδεκτό σύνολο χαρακτηριστικών που έχει προταθεί ως πρότυπη αναφορά για τις μελλοντικές έρευνες ανίχνευσης. Εκπαιδεύτηκαν και αξιολογήθηκαν έξι μοντέλα μηχανικής μάθησης, συμπεριλαμβανομένων τεσσάρων κλασικών αλγορίθμων ταξινόμησης (Λογιστική Παλινδρόμηση, Random Forest, SVM και XGBoost), καθώς και δύο προσαρμοσμένων ταξινομητών ασαφούς λογικής (Fuzzy k-NN και Fuzzy Decision Tree). Τα ασαφή μοντέλα ενσωματώνουν μηχανισμούς ταξινομικής ασαφοποίησης και διαδικασίες εξαγωγής κανόνων για τη βελτίωση της ερμηνευσιμότητας. Τα αποτελέσματα έδειξαν ότι τα κλασικά μοντέλα επιτυγχάνουν υψηλή ακρίβεια και ανθεκτικότητα, με τα Random Forest και SVM να παρουσιάζουν ιδιαίτερα υψηλές αποδόσεις. Ωστόσο, οι ασαφείς προσεγγίσεις προσφέρουν σημαντικά πλεονεκτήματα στη διαφάνεια των αποφάσεων, που τις καθιστούν χρήσιμες σε πεδία όπου η ερμηνευσιμότητα είναι κρίσιμη. Η μελέτη επιβεβαιώνει επίσης την καταλληλότητα των επιλεγμένων χαρακτηριστικών για την αξιόπιστη ανίχνευση σημάτων pulsar και προτείνει κατευθύνσεις για μελλοντική έρευνα ώστε να αξιολογηθεί περαιτέρω η επάρκειά τους. Η έρευνα υλοποιήθηκε χρησιμοποιώντας τις κατάλληλες βιβλιοθήκες της γλώσσας προγραμματισμού Python.	el
dc.format.extent	55	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Ταξινόμηση με χρήση αλγορίθμων data mining και ασαφούς λογικής σε δεδομένα σημάτων αστέρων νετρονίων	el
dc.title.alternative	Classification using data mining algorithms and fuzzy logic on neutron star signal data	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	This study investigates the performance of both classical and fuzzy classification algorithms in predicting the authenticity of pulsar signals, using a widely accepted feature set proposed as a standard reference for future screening research. Six models were trained and evaluated, including four classical machine learning algorithms (Logistic Regression, Random Forest, SVM and XGBoost), as well as two custom fuzzy logic classifiers (Fuzzy k-NN and Fuzzy Decision Tree). The fuzzy models incorporate fuzzification mechanisms and rule extraction procedures to enhance interpretability. Results demonstrate that the classical models achieve high accuracy and robustness, with Random Forest and SVM performing particularly well. However, the fuzzy approaches offer meaningful advantages in decision transparency, making them useful in domains where interpretability is critical. The study also confirms the suitability of the selected features for reliable pulsar signal screening and suggests future research directions to further assess their adequacy. The study was implemented using the appropriate libraries of the Python programming language.	el
dc.contributor.master	Πληροφοριακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Ασαφής λογική	el
dc.subject.keyword	Ταξινόμηση	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Fuzzy logic	el
dc.subject.keyword	Classification	el
dc.date.defense	2026-03-05

Αρχεία σε αυτό το τεκμήριο

Name:: Manolis_me2344.pdf
Μέγεθος:: 2.203Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα