Η παρούσα διατριβή πραγματεύεται το πρόβλημα της μοντελοποίησης των φυσικοχημικών ιδιοτήτων ενός εδαφικού δείγματος μέσω της φασματικής υπογραφής διάχυτης ανάκλασης του στο ορατό--υπέρυθρο ηλεκτρομαγνητικό φάσμα που λαμβάνεται στο εργαστήριο. Κύριος στόχος της αποτελεί την ανάπτυξη καινοτόμων μεθοδολογιών που εντάσσονται στο ευρύτερο πλαίσιο της ερμηνεύσιμης τεχνητής νοημοσύνης, ούτως ώστε τα μοντέλα να χαρακτηρίζονται από σημαντικό βαθμό ερμηνευσιμότητας. Το χαρακτηριστικό τους αυτό επιτρέπει τους ερευνητές και τους χρήστες να τα κατανοήσουν, να τα εμπιστευτούν καταλλήλως, αλλά και να τα διαχειριστούν, διότι επιτρέπει στα μοντέλα να εξηγήσουν τη διαδικασία συμπερασμού τους, να χαρακτηρίσουν τα δυνατά και αδύνατα σημεία τους, και να καταδείξουν πώς θα συμπεριφέρονται στο μέλλον ή σε νέα δεδομένα, διασφαλίζοντας τη μεταφερσιμότητά τους. Για τον σκοπό αυτό προτείνονται μεθοδολογίες που εντάσσονται στο γνωστικό αντικείμενο της υπολογιστικής νοημοσύνης. Συγκεκριμένα, αρχικώς προτείνεται μία οικογένεια αλγορίθμων για την ανάπτυξη εξελικτικών ασαφών συστημάτων. Ιδιαίτερο χαρακτηριστικό αυτών των συστημάτων είναι ο μεγάλος βαθμός ερμηνευσιμότητας τους, καθώς δημιουργούν απλά και εύληπτα μοντέλα βασισμένα σε κανόνες που προσιδιάζουν στις απλές συμπερασματικές προτάσεις του ανθρώπινου νου. Κάθε μέλος αυτής της οικογένειας εμφανίζει συγκριτικά πλεονεκτήματα σε σχέση με άλλα εξελικτικά ασαφή συστήματα που έχουν προταθεί στη βιβλιογραφία, και είναι σε θέση να αντιμετωπίζει προβλήματα μεγάλης διαστατικότητας του χώρου εισόδου επιτυγχάνοντας την επιθυμητή ισορροπία μεταξύ της ορθότητας των προβλέψεων και της δομικής πολυπλοκότητας των παραγόμενων βάσεων κανόνων. Κατόπιν, παρουσιάζονται τεχνικές μηχανικής μάθησης και μία τεχνική βαθιάς μάθησης που σχεδιάζονται έχοντας ως στόχο την επίτευξη μικρότερων σφαλμάτων πρόβλεψης αλλά και ταυτοχρόνως την εισαγωγή δομικών στοιχείων που επιτρέπουν την ερμηνεία των αποτελεσμάτων και των διαδικασιών συμπερασμού των μοντέλων. Στο πλαίσιο των ανωτέρω μεθοδολογιών, προτείνεται και η συνδυαστική χρήση διαφορετικών τεχνικών προ-επεξεργασίας φάσματος με γνώμονα την αξιοποίηση της συμπληρωματικής πληροφορίας που προκύπτει από τη χρήση αυτών. Οι προτεινόμενες διαδικασίες εφαρμόζονται σε μεγάλες φασματικές βιβλιοθήκες εδαφών που έχουν αναπτυχθεί τα τελευταία χρόνια.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.