Τμήμα Μηχανικών Πληροφορικής και Ηλεκτρονικών Συστημάτων

Μόνιμο URI για αυτήν την κοινότηταhttps://repository.ihu.gr/handle/11544/47647

Περιηγούμαι

Πλοήγηση Τμήμα Μηχανικών Πληροφορικής και Ηλεκτρονικών Συστημάτων ανά Τίτλο

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 5 από 5
  • Μικρογραφία εικόνας
    Τεκμήριο
    Development of intelligent computational methods for solving time-varying problems
    (ΔΙΠΑΕ, 2025-10-01) Γεροντίτης, Δημήτριος; Τζέκης, Παναγιώτης; Σχολή Μηχανικών, Τμήμα Μηχανικών Πληροφορικής και Ηλεκτρονικών Συστημάτων
    This PhD thesis presents the development of novel recurrent neural network (RNN) architectures, introducing new activation functions and discrete-time formulations to address time-varying problems in numerical linear algebra. While nonlinear activation functions have been shown to enhance the convergence speed of Zeroing Neural Network (ZNN) models, existing ZNN frameworks typically impose strict constraints—requiring activation functions to be both strictly odd and monotonically increasing. These limitations reduce the flexibility and expressive capacity of the models, underscoring the need for innovation in this area. In response, this thesis proposes enhanced models that significantly improve the accuracy and convergence performance of traditional approaches. The thesis is structured into four chapters. Chapter One introduces foundational concepts from mathematical analysis and matrix theory that support the structure of RNN models. It also reviews key definitions related to RNNs, common recurrent architectures, and widely used activation functions. Essential theorems from dynamical systems theory and core programming techniques employed throughout the research are also discussed. The chapter concludes with a survey of real-world applications where RNNs have proven effective in solving practical problems. Chapter Two extends the Zhang Neural Network (ZNN) framework to handle cases where the time derivative of the Zhangian function does not exist at certain points. To address such scenarios—where the indefinite error function E(t), whether matrix-, vector-, or scalar-valued, contains non-differentiable elements—two novel approaches are proposed. In addition, a new family of activation functions, specifically designed for integration within the ZNN framework, is introduced. These are used to construct advanced models for solving time-varying matrix equations, including the Stein, Sylvester, and Generalized Sylvester equations. Compared to earlier nonlinear RNN models with conventional activation functions, the proposed models exhibit significantly improved convergence rates. Simulink-based simulations validate the effectiveness of these models, demonstrating both faster convergence and improved solution accuracy. In Chapter Three, the thesis explores the application of discretization techniques to the ZNN framework, resulting in the formulation of novel discrete-time RNN models. These models are employed to solve a range of mathematical problems, such as matrix inversion and nonlinear optimization. Additionally, the discrete-time models are applied to robotics tasks, including robotic manipulator control and tracking control for the Stewart platform. Experimental results show that these models outperform existing discrete-time methods in terms of accuracy. Finally, Appendices A and B include Simulink diagrams of the baseline RNN models and activation functions used in comparative analyses, alongside those of the novel formulations proposed in this work.
  • Μικρογραφία εικόνας
    Τεκμήριο
    Holistic deep learning approaches on medical signals/images
    (ΔΙΠΑΕ, 2026-07-28) Ntampakis, Nikolaos; Diamantaras, Konstantinos; Σχολή Μηχανικών, Τμήμα Μηχανικών Πληροφορικής και Ηλεκτρονικών Συστημάτων
    This dissertation develops and validates a holistic deep learning framework for the analysis of medical signals and images, structured around three sequentially dependent stages: data quality assurance, deep learning model development, and clinical interpretability. The structure responds to a methodological gap in contemporary medical AI research, in which contributions typically address a single clinical problem, operate on a single data modality, and optimize a single performance metric within a single pipeline stage. The proposed structure aligns with the operational dimensions articulated by the FUTURE-AI international guideline, the requirements of the EU AI Act, and the World Health Organization guidance on AI for health. The contribution is vertical rather than horizontal: the dissertation constructs each pillar to a depth of methodological rigor that existing consensus frameworks identify as necessary but do not themselves construct, and demonstrates the resulting pipeline through six peer-reviewed contributions that converge on clinical domains, mainly dementia and melanoma, each traversed end-to-end from data preparation through modelling to explanation. Stage A introduces SPINE, a multi-criteria post-generation evaluation methodology for synthetic medical images integrating expert domain assessment, statistical data analysis, and adversarial evaluation. Applied to chest X-ray images synthesized through a conditional GAN, the sequential application of quality criteria produced a cumulative improvement in structural similarity between the synthetic and real distributions, with the framework designed to be modality-agnostic and extensible to other modalities. Stage B comprises four deep learning applications distributed across the clinical domains of dementia and melanoma. For dementia, three complementary contributions approach the condition through distinct sensory channels: an ML classifier trained on longitudinal records predicts future onset in initially healthy individuals with a perfect macro-F1 on the test set, with explainable AI feature attributions consistent with established clinical risk factors; the DEFORMISE framework combines anatomically grounded edge-based MRI slice selection with a confidence-based committee of three architecturally heterogeneous 3D networks, achieving state-of-the-art accuracy on the combined OASIS-1 and OASIS-2 test set, with cross-dataset generalization confirmed on external ADNI patients; and the NeuroXVocal system fuses acoustic features, speech embeddings, and textual representations within a transformer-based three-stream classifier, surpassing all prior published methods on the ADReSSo benchmark, while its RAG-based explainer attained a low misinterpretation risk score under structured clinical evaluation by medical professionals. For melanoma, a DNN classifier coupled with a lesion isolation preprocessing pipeline reached state-of-the-art accuracy and macro-F1 on three-class thickness prediction over the Derm7pt benchmark. Stage C presents Fusion Grad-CAM, a methodology for generating consolidated attention maps for majority voting ensemble classifiers through confidence-weighted fusion restricted to majority-contributing models, validated across two-, three-, and four-model ensembles and directly applicable to the Stage B committee architectures. The methodological connective tissue, Stage A on the data side and Stage C on the explanation side, is designed to extend onto the Stage B modalities, with the SPINE framework directly transferable to dermoscopic and MRI inputs and Fusion Grad-CAM directly applicable to the DEFORMISE committee. Taken together, the contributions support the central claim of the dissertation: that the lifecycle structure prescribed by horizontal governance frameworks constitutes a technically achievable engineering paradigm when each pillar is vertically instantiated with domain-specific methodological rigor.
  • Μικρογραφία εικόνας
    Τεκμήριο
    Machine Learning based methods for monitoring and control in modern Industry 4.0 systems
    (ΔΙΠΑΕ, 2026-06-10) Gravanis, Georgios; Diamantaras, Konstantinos; Papadopoulou, Simira; Salampasis, Michail; Σχολή Μηχανικών, Τμήμα Μηχανικών Πληροφορικής και Ηλεκτρονικών Συστημάτων
    This thesis presents the results of a systematic research conducted about the integration of Machine Learning (ML) methods in modern Industry 4.0 systems. The work is motivated by the increasing availability of industrial operational data and by the limitations of conventional approaches when dealing with nonlinear dynamics, scarce fault labels, Machine learning black-box behavior, and in general by the benefits of fast online decision support in industrial environments. More specifically, within this thesis is explored how ML can advance five complementary directions of modern Industry 4.0 systems i.e. Supervised Fault Detection and Diagnosis (FDD) in nonlinear processes, explainability of FDD model decisions, unsupervised anomaly detection in manufacturing systems, ML-augmented advanced control, and surrogate property modeling enabling digital twin development. For supervised fault detection and diagnosis, dynamic neural-network models based on Long Short Term Memory (LSTM) and Time Delay Neural Network (TDNN) architectures are combined with dimensionality-reduction techniques and evaluated on the Tennessee Eastman Process (TEP) benchmark problem. The best configurations achieve approximately 98.5% average classification accuracy, demonstrating strong capability for real-time fault recognition in nonlinear industrial processes. To improve classifier transparency, ML explainability methods i.e. Integrated Gradients and SHAP are applied to the FDD framework, showing that, for most disturbances, the explanations generated are consistent providing physically meaningful insights from a process-engineering perspective. The thesis further proposes an unsupervised anomaly-detection framework for manufacturing machinery based on k-nearest-neighbor outlier detection and correlation with a Key Quality Indicator. Applied to an industrial yogurt packaging machine, the method provides guidance for identifying hidden malfunctions and ranking the most probable root-cause machinery subsystems. Except for supervised and unsupervised fault and anomaly detection, it is explored whether ML can be part of advanced control methods. To this extend, a ML model is embedded in a nonlinear model predictive control algorithm for the energy management in a multi-node microgrid. In this case TDNN based state-of-charge predictors replace mechanistic models and reduce cumulative energy transfer between nodes by about 6.5% on average while remaining feasible for real-time implementation. Finally, it is investigated whether ML can be utilized to create surrogate models capturing thermophysical properties for Digital Twin development. In this thesis Autoencoder and Support Vector Regressor models are developed for the prediction of CO2 and CH4 diffusivities in liquid water, using experimental and molecular dynamics simulated supported datasets. The results show that the proposed models capture the nonlinear dependence of diffusivity on pressure and temperature, providing accurate predictions across broad operating conditions. Overall, the current thesis demonstrates that ML can enhance modern Industry 4.0 systems in a trustworthy, scalable, and application-oriented manner.
  • Μικρογραφία εικόνας
    Τεκμήριο
    Μελέτη διεπαφών στις τεχνολογίες STEM και στην εκπαίδευση ηλεκτρονικών κυκλωμάτων μικροελεγκτών
    Τσελεγκαρίδης, Σωκράτης
    Αντικείμενο της παρούσας διατριβής είναι η μελέτη των διεπαφών χρήστη με τις οποίες μπορεί κάποιος να πάρει μέρος σε εκπαιδευτικές δραστηριότητες αλλά και η διερεύνηση για το πως οι διεπαφές αυτές μπορούν να επηρεάσουν την απόκτηση γνώσεων. Πιο συγκεκριμένα, οι διεπαφές μπορεί να είναι απτικές χρησιμοποιώντας πραγματικά εξαρτήματα ή γραφικές χρησιμοποιώντας προσομοιωτές σε ψηφιακά μέσα. Έτσι, αρχικά εκτελέστηκε μία μετά-ανάλυση για STEM δραστηριότητες ώστε να εξαχθεί το μέγεθος της επίδρασης των παρεμβάσεων που αξιοποίησαν τεχνολογικά μέσα, με τα ευρήματα να δείχνουν ότι σε αυτό το πλαίσιο εκπαίδευσης ωφελείται περισσότερο η ανάπτυξη δεξιοτήτων σε σχέση με την ανάπτυξη γνώσεων ή στάσεων. Στη συνέχεια, εκτελέστηκε μία μετά-ανάλυση για την διδασκαλία ηλεκτρονικών κυκλωμάτων και την εξαγωγή του μεγέθους επίδρασης. Τα ευρήματα δείχνουν πως όταν οι δραστηριότητες πραγματοποιούνται συνδυάζοντας απτική και γραφική διεπαφή τότε εμφανίζονται τα μεγαλύτερη οφέλη για τους μαθητές. Επιπλέον, οι συμμετέχοντες στην τριτοβάθμια εκπαίδευση φαίνεται πως ωφελούνται περισσότερο συγκριτικά με τους μαθητές της πρωτοβάθμιας και δευτεροβάθμιας εκπαίδευσης, ενώ η απόκτηση γνώσεων είναι αυτή που ενισχύεται περισσότερο σε σχέση με τις δεξιότητες και τις στάσεις. Ακόμη, πραγματοποιήθηκαν τρεις εκπαιδευτικές παρεμβάσεις για τον μικροελεγκτή PIC18F4550, με δείγμα 32, 277 και 134 φοιτητών αντίστοιχα. Η μία στόχευε μέσα από σειρά έξι προχωρημένων ασκήσεων στην σύγκριση απτικής και γραφικής διεπαφής, η άλλη στην σύγκριση απτικής, γραφικής και αλληλουχίας διεπαφών μέσω οχτώ ασκήσεων, ενώ η τελευταία στην σύγκριση της αλληλουχίας μεικτής προσέγγισης διεπαφών. Από τα ευρήματα προκύπτει πως όταν το επίπεδο δυσκολίας των δραστηριοτήτων είναι αυξημένο, καμία διεπαφή δεν είναι πιο ωφέλιμη, οι στάσεις των φοιτητών δεν φαίνεται να επηρεάζονται από την διεπαφή που χρησιμοποιούν, ενώ τέλος, η αντίληψη των συμμετεχόντων περί της χρηστικότητας του προσομοιωτή είναι υψηλότερη όταν ξεκινάνε μία παρέμβαση με γραφική διεπαφή και τελειώνουν με απτική διεπαφή. Επιπροσθέτως, πραγματοποιήθηκαν τρεις εκπαιδευτικές παρεμβάσεις αξιοποιώντας το Arduino Uno, με δείγμα 58, 110 και 61 φοιτητών αντίστοιχα. Η μία στόχευε στην διερεύνηση της επίδρασης τυπωμένων πλακετών που δημιουργήθηκαν για τις ανάγκες της διατριβής, αλλά και στην μέτρηση της χρηστικότητάς τους, η άλλη στην σύγκριση των πλακετών με προσομοίωση και ράστερ, ενώ η τρίτη στην διερεύνηση της αποδοχής της τεχνολογίας μέσω του Arduino και του Micro:bit. Από τα ευρήματα προκύπτει ότι η χρήση τυπωμένων πλακετών ωφελεί την ενότητα του προγραμματισμού, οι τυπωμένες πλακέτες μπορούν να θεωρηθούν ένα χρήσιμο εργαλείο στην διδασκαλία μικροελεγκτών ενισχύοντας την εκπαιδευτική εμπειρία, ενώ η αντιλαμβανόμενη ευχρηστία συνδέεται στενά με την πρόθεση να χρησιμοποιηθεί το Arduino ή το Micro:bit στο μέλλον. Τέλος, αναπτύχθηκε και επικυρώθηκε ένα προτεινόμενο εργαλείο 15 ερωτήσεων για την αξιολόγηση των βασικών γνώσεων προγραμματισμού στο Arduino.
  • Μικρογραφία εικόνας
    Τεκμήριο
    Μηχανική Μάθηση και Νευρωνικές Μέθοδοι για Κατανεμημένη Αναζήτηση Ευρεσιτεχνιών
    (ΔΙΠΑΕ, 2026-05-05) Σταμάτης, Βασίλειος; Σαλαμπάσης, Μιχάλης; Σχολή Μηχανικών, Τμήμα Μηχανικών Πληροφορικής και Ηλεκτρονικών Συστημάτων
    Η παρούσα διδακτορική διατριβή διερευνά τον εξειδικευμένο και ιδιαίτερα απαιτητικό τομέα της ανάκτησης πληροφοριών από διπλώματα ευρεσιτεχνίας (πατέντες), με στόχο τη γεφύρωση του χάσματος μεταξύ των παραδοσιακών μεθοδολογιών αναζήτησης και των σύγχρονων δυνατοτήτων της Τεχνητής Νοημοσύνης (AI). Η επαγγελματική αναζήτηση πατεντών χαρακτηρίζεται ως μια διεργασία κρίσιμης σημασίας, προσανατολισμένη στην υψηλή ανάκληση (recall), όπου η αποτυχία εντοπισμού έστω και ενός σχετικού εγγράφου μπορεί να επιφέρει σοβαρές συνέπειες, όπως ακύρωση διπλωμάτων, δικαστικές διαμάχες για παραβίαση δικαιωμάτων και σημαντικές οικονομικές απώλειες. Παρά την πρόοδο στην Επεξεργασία Φυσικής Γλώσσας, τα τυπικά νευρωνικά μοντέλα συχνά υποαποδίδουν στον τομέα αυτό λόγω των μοναδικών χαρακτηριστικών των πατεντών, οι οποίες χρησιμοποιούν εξαιρετικά τεχνική και συχνά σκόπιμα ασαφή νομική ορολογία για τον καθορισμό του πεδίου προστασίας. Για την αντιμετώπιση αυτών των εγγενών προκλήσεων — συγκεκριμένα του εξαιρετικά μεγάλου μήκους των εγγράφων, της πολύπλοκης δομής και του προβλήματος της "λεξικής αναντιστοιχίας" — η παρούσα έρευνα αναπτύσσει και επικυρώνει καινοτόμα πλαίσια για δύο κρίσιμα στάδια του αγωγού Ομοσπονδιακής Αναζήτησης: τη συγχώνευση αποτελεσμάτων και την ανακατάταξη εγγράφων. Μια κεντρική πρόκληση που διατρέχει το σύνολο της εργασίας είναι ο αποτελεσματικός χειρισμός δομημένων εγγράφων μεγάλου μήκους (long documents) στην εποχή των μοντέλων Transformer. Οι συνήθεις νευρωνικές αρχιτεκτονικές αδυνατούν να επεξεργαστούν αποτελεσματικά το μήκος των πατεντών λόγω υπολογιστικών περιορισμών. Κοινές λύσεις σε αυτόν τον περιορισμό μήκους περιλαμβάνουν την συνόψιση κειμένου, την τμηματοποίηση του εγγράφου (segmentation), ή την χρήση εξειδικευμένων μοντέλων με εκτεταμένο πλαίσιο αναφοράς (long-context). Η παρούσα διατριβή υιοθετεί μια προσέγγιση βασισμένη στην κατάτμηση (segmentation), η οποία θεμελιώνεται θεωρητικά στην «υπόθεση εμβέλειας» (scope hypothesis). Η υπόθεση αυτή υποστηρίζει ότι η συνάφεια σε μια πατέντα είναι συχνά εντοπισμένη σε συγκεκριμένες δομικές ενότητες — όπως η Περίληψη, η Περιγραφή ή οι Αξιώσεις — και δεν κατανέμεται ομοιόμορφα. Αξιοποιώντας αυτά τα διακριτά στοιχεία, η προτεινόμενη μεθοδολογία διατηρεί τις λεπτομερείς τεχνικές πληροφορίες που είναι απαραίτητες για την κρίση καινοτομίας, οι οποίες συνήθως χάνονται κατά την ολιστική επεξεργασία του εγγράφου. Στο πρώτο μέρος της διατριβής, αντιμετωπίζουμε την πρόκληση της συγχώνευσης αποτελεσμάτων από κατανεμημένες, ετερογενείς πηγές, όπου οι βαθμολογίες συνάφειας είναι συχνά μη συγκρίσιμες ή μη διαθέσιμες. Εισάγουμε το πλαίσιο Machine Learning Models for Results Merging (MLRM), το οποίο αξιοποιεί ένα Κεντρικό Ευρετήριο Δειγμάτων (CSI) ως δυναμικό πεδίο εκπαίδευσης για την κανονικοποίηση των τοπικών βαθμολογιών σε έναν ενιαίο παγκόσμιο χώρο συνάφειας. Μέσω εκτεταμένων πειραμάτων, αποδεικνύουμε ότι οι μέθοδοι ομαδικής μάθησης (ensemble learning), και συγκεκριμένα τα Random Forests, υπερέχουν σημαντικά έναντι καθιερωμένων ευριστικών μεθόδων όπως οι CORI και SSL. Αυτό θέτει ένα νέο σημείο αναφοράς για τη συγχώνευση αποτελεσμάτων, αποδεικνύοντας ιδιαίτερη ανθεκτικότητα σε μη συνεργατικά περιβάλλοντα όπου οι μηχανές αναζήτησης λειτουργούν ως «μαύρα κουτιά». Η δεύτερη κύρια συνεισφορά είναι το πλαίσιο Query-Aware Patent Re-ranking (QAPR), σχεδιασμένο να βελτιστοποιεί την τελική κατάταξη αντιμετωπίζοντας τις πατέντες ως ακολουθίες σημασιολογικά ανεξάρτητων δομικών στοιχείων. Το QAPR χρησιμοποιεί μια υβριδική νευρωνική αρχιτεκτονική για τη σύνθεση τριών διαφορετικών κατηγοριών σημάτων συνάφειας: λεξικά σήματα (lexical) που καταγράφουν ακριβείς αντιστοιχίες όρων μέσω του BM25, σημασιολογικά σήματα (semantic) που χρησιμοποιούν αναπαραστάσεις transformer (SBERT) για την καταγραφή βαθύτερου εννοιολογικού πλαισίου, και δομικά σήματα (structural) που μοντελοποιούν τις ρητές σχέσεις και τα βάρη σπουδαιότητας μεταξύ των διαφορετικών ενοτήτων του εγγράφου. Μια βασική καινοτομία είναι η εισαγωγή ενός μηχανισμού δυναμικής στάθμισης (query-adaptive weighting), ο οποίος προσαρμόζει την επίδραση των λεξικών έναντι των σημασιολογικών σημάτων με βάση τη διακριτική ικανότητα (IDF) των όρων του ερωτήματος. Η πειραματική αξιολόγηση στα σύνολα δεδομένων CLEF-IP και WPI-PR επιβεβαιώνει ότι το QAPR επιφέρει στατιστικά σημαντικές βελτιώσεις, θέτοντας ένα νέο πρότυπο για τη δομημένη ανάκτηση εγγράφων μεγάλου μήκους στον τομέα των πατεντών.