Please use this identifier to cite or link to this item: https://olympias.lib.uoi.gr/jspui/handle/123456789/6607
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΤζίκας, Δημήτρηςel
dc.date.accessioned2015-11-16T09:35:50Z-
dc.date.available2015-11-16T09:35:50Z-
dc.identifier.urihttps://olympias.lib.uoi.gr/jspui/handle/123456789/6607-
dc.identifier.urihttp://dx.doi.org/10.26268/heal.uoi.709-
dc.rightsDefault License-
dc.subject-
dc.titleΑραιές μπεϋζιάνες μέθοδοι για προβλήματα παλινδρόμησης: εφαρμογή στην ανάλυση εικόνων λειτουργικού μαγνητικού συντονισμούel
heal.typemasterThesis-
heal.type.enMaster thesisen
heal.type.elΜεταπτυχιακή εργασίαel
heal.classificationΠληροφορικήel
heal.languageen-
heal.accessfree-
heal.recordProviderΠανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών. Τμήμα Μηχανικών Η/Υ & Πληροφορικήςel
heal.publicationDate2004-
heal.bibliographicCitationΒιβλιογραφία: σ. 62el
heal.abstractΟι Μπεϋζιανές μέθοδοι είναι ιδιαίτερα δημοφιλείς για την επίλυση προβλημάτων μάθησης με επίβλεψη, στα οποία, δοθέντος ενός συνόλου παρατηρήσεων της εξόδου ενός συστήματος για διάφορες τιμές των εισόδων του, ζητείται η πρόβλεψη των τιμών της εξόδου για πιθανές άλλες τιμές των εισόδων. Οι μέθοδοι αυτές μοντελοποιούν το σύστημα ως μια τυχαία διαδικασία, που επηρεάζεται από ένα σύνολο τυχαίων μεταβλητών. Οι προβλέψεις γίνονται με βάση πιθανούς κανόνες, όμως συχνά είναι απαραίτητη η χρήση αρκετών προσεγγίσεων. To Relevance Vector Machine (RVM) [24] είναι ένα τέτοιο Μπεϋζιανό μοντέλο, η έξοδος του οποίου εκφράζεται ως γραμμικός συνδυασμός κάποιων σταθερών συναρτήσεων που ονομάζονται συναρτήσεις βάσης και η τιμή των οποίων εξαρτάται από την είσοδο του συστήματος. Το μοντέλο αυτό είναι αραιό, δηλαδή στο γραμμικό συνδυασμό των συναρτήσεων βάσης περιέχονται μόνο λίγες από αυτές. Η πρόβλεψη της εξόδου για όποιαδήποτε νέα τιμή της εισόδου μπορεί να γίνει αν υπολογιστεί η κατανομή των παραμέτρων του γραμμικού συνδυασμού, που ονομάζονται βάρη. Στα βάρη ανατίθεται κάποια αρχική συνάρτηση κατανομής πιθανότητας, που εκφράζει την επιθυμία για αραιά μοντέλα, και με βάση αυτή υπολογίζεται η κατανομή των βαρών δεδομένων των παρατηρήσεων. Στη συνέχεια το μοντέλο RVM χρησιμοποιείται για την ανάλυση εικόνων λειτουργικού μαγνητικού προσανατολισμού. Οι εικόνες αυτές παρέχουν ένα μέτρο της λειτουργίας των νευρώνων του εγκεφάλου σε κάθε σημείο του και μπορούν να χρησιμοποιηθούν για την αντιστοίχηση μιας περιοχής του εγκεφάλου σε κάποια λειτουργία ή κάποιο ερέθισμα. Συνήθως, στα πειράματα που εκτελούνται συλλέγονται δύο σύνολα εικόνων, στο ένα μόνο από τα οποία υπάρχει το ερέθισμα. Έτσι συγκρίνοντας τα δύο αυτά σύνολα εικόνων μπορεί κανείς να αποφανθεί για την περιοχή στην οποία επηρεάζεται η λειτουργία του εγκεφάλου εξαιτίας του συγκεκριμένου ερεθίσματος. Η περιοχή αυτή ονομάζεται περιοχή ενεργοποίησης.. Υπάρχουν διάφορες μέθοδοι για. την ανάλυση εικόνων λειτουργικού μαγνητικού συντονισμού. Οι πιο διαδεδομένες από αυτές (l-test, covariance thresholding, SVD) αποφασίζουν εάν ένα σημείο της εικόνας είναι ενεργοποιημένο ή όχι βασιζόμενες μόνο σε τιμές του σημείου αυτού. Καλύτερα αποτελέσματα μπορούν να επιτευχθούν αν ληφθεί υπόψιν η δομή του σήματος ενεργοποίησης, συμπεριλαμβάνοντας στην απόφαση και τις τιμές των γειτονικών σημείων της εικόνας. Αυτό επιτυγχάνεται υποθέτοντας ότι το σήμα ενεργοποίησης έχει κάποια συγκεκριμένη δομή. Μια τέτοια μέθοδος ακολουθείται στο [13], η οποία όμως βασίζεται στον αλγόριθμο Reversible Jump Markov Chain Monte Carlo και έχει σημαντικό υπολογιστικό κόστος. Στην εργασία αυτή προτείνεται η χρήση του RVM για την μοντελοποίηση του σήματος ενεργοποίησης, και δημιουργούνται τεχνητά δεδομένα για την αξιολόγηση της μεθόδου.el
heal.advisorName-
heal.committeeMemberName-
heal.academicPublisherΠανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών. Τμήμα Μηχανικών Η/Υ & Πληροφορικήςel
heal.academicPublisherIDuoi-
heal.numberOfPages62 σ.-
heal.fullTextAvailabilitytrue-
Appears in Collections:Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΥ

Files in This Item:
File Description SizeFormat 
Μ.Ε. - ΤΖΙΚΑΣ ΔΗΜΗΤΡΗΣ.pdf2.26 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons