ΧΡΗΣΗ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΓΙΑ ΤΗΝ ΠΡΟΓΝΩΣΗ ΤΗΣ ΣΥΓΚΕΝΤΡΩΣΗΣ ΤΡΟΠΟΣΦΑΙΡΙΚΟΥ ΟΖΟΝΤΟΣ ΣΕ ΑΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ. Λυμπεροπούλου Κυριακή Α.Μ.
|
|
|
- Συντύχη Δράκος
- 7 χρόνια πριν
- Προβολές:
Transcript
1
2 ΧΡΗΣΗ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΓΙΑ ΤΗΝ ΠΡΟΓΝΩΣΗ ΤΗΣ ΣΥΓΚΕΝΤΡΩΣΗΣ ΤΡΟΠΟΣΦΑΙΡΙΚΟΥ ΟΖΟΝΤΟΣ ΣΕ ΑΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ Λυμπεροπούλου Κυριακή Α.Μ. 99
3 Ατμοσφαιρική ρύπανση Νέφος αιθαλομίχλης, που σχηματίζεται όταν έχουμε υψηλή συγκέντρωση ρύπων, όπως μονοξειδίου του άνθρακα, διοξείδιο του θείου και αιωρούμενα σωματίδια, σε συνδυασμό με σχετικά χαμηλή θερμοκρασία και μεγάλη σχετική υγρασία Φωτοχημικό νέφος, που παρουσιάζεται όταν έχουμε υψηλές θερμοκρασίες, μεγάλη ηλιοφάνεια σε ένταση και διάρκεια, μικρή σχετική υγρασία και υψηλή συγκέντρωση οξειδίων του αζώτου, υδρογονανθράκων, και δευτερογενών προϊόντων τους. Χαρακτηριστικός εκπρόσωπος φωτοχημικής ρύπανσης είναι το όζον (Ο 3 ).
4
5 Επιπτώσεις της ατμοσφαιρικής ρύπανσης Το όζον σε μεγάλες συγκεντρώσεις προκαλεί σημαντικά προβλήματα στην ανθρώπινη υγεία και το περιβάλλον όπου ζούμε. Υλικά Φυτά Ανθρώπινη υγεία
6 Όζον (Ο 3 ) Aέριο στοιχείο, άχρωμο µε χαρακτηριστική έντονη οσμή. Το Ο 3 αποτελεί το βασικό δείκτη φωτοχημικής ρύπανσης και η ποσοτική της αξιολόγηση βασίζεται στη μέτρηση της συγκέντρωσής του. Τυπικός δευτερογενής ρύπος. Οι βασικές μονάδες μέτρησης της συγκέντρωσης του όζοντος είναι σε ppb (μέρη ανά δισεκατομμύρια μέρη αέρα) και σε μg/m 3 (μικρογραμμάρια ουσίας ανά κυβικό μέτρο αέρα). Σε κανονικές συνθήκες 1ppb [O 3 ] είναι περίπου ίσο με 2 μg/m 3.
7 Η προέλευση του όζοντος της τροπόσφαιρας Η ύπαρξη του όζοντος στην τροπόσφαιρα οφείλεται: στη μεταφορά στρατοσφαιρικού όζοντος, στην παραγωγή του από πρωτογενείς ρύπους, καθώς σχηματίζεται ως αποτέλεσμα αλυσίδας χημικών αντιδράσεων: πτητικών οργανικών ενώσεων (Volatile Organic Compounds-VOCs), και οξειδίων του αζώτου (Oxides of Nitrogen-ΝΟx, NO και NO 2 ), υπό συνθήκες έντονης ηλιακής ακτινοβολίας.
8 Πηγές των πρωτογενών ρύπων που συντελούν στη δημιουργία του Ο 3
9 Υπόβαθρο όζον Το όζον με τη βοήθεια του ανέμου μπορεί και μεταφέρεται εκατοντάδες χιλιόμετρα μακριά από την περιοχή σχηματισμού του.
10 Το τροποσφαιρικό όζον στην Ελλάδα-Μεσόγειο Οι μονάδες μέτρησης [Ο 3 ] είναι σε ppb.
11 Επίπεδα συγκεντρώσεων όζοντος στο Λεκανοπέδιο της Αθήνας Οι μονάδες μέτρησης [Ο 3 ] είναι σε μg/m 3.
12 Επίδραση μετεωρολογικών παραμέτρων στη ρύπανση Οι κυριότερες μετεωρολογικές παράμετροι είναι: η διεύθυνση και η ταχύτητα του ανέμου, η ευστάθεια της ατμόσφαιρας και ειδικά για τους φωτοχημικούς ρύπους η ένταση και η διάρκεια της ηλιακής ακτινοβολίας, η ύπαρξη νεφών που εμποδίζουν τις ακτίνες του ήλιου. Άλλες παράμετροι που συντελούν σημαντικά είναι: η βροχόπτωση, η περιεκτικότητα της ατμόσφαιρας σε υδρατμούς, η θερμοκρασία.
13 Τιμέςορίωνγιατοόζον, σύμφωνα με την οδηγία 2002/3/ΕC Οριακή τιμή Όριο ενημέρωσης Μέση ωριαία τιμή 180 μg/m 3 Όριο συναγερμού Μέση ωριαία τιμή 360 μg/m 3 Όριο συναγερμού Τιμή-στόχος για την προστασία της ανθρώπινης υγείας Μέση ωριαία τιμή για τρεις συνεχόμενες ώρες Μέγιστη ημερήσια μέση 8ωρη τιμή, τηςοποίαςδενπρέπεινα σημειώνεται υπέρβαση περισσότερες από 25 φορές για διάστημα 3 ετών. 240 μg/m μg/m 3
14 Ημερήσιες [Ο 3 ] σε 5 σταθμούς μέτρησης υπό τρεις διαφορετικές καιρικές συνθήκες
15 Ανάγκη ύπαρξης ακριβέστερου μοντέλου βραχυπρόθεσμης πρόβλεψης Να εξυπηρετήσει τις ανάγκες του κοινού για αξιόπιστη και έγκυρη πληροφόρηση. Να οδηγήσει στη μείωση της έκθεσης του πληθυσμού στα αυξημένα επίπεδα ρύπανσης. Να προειδοποιήσει τις αρχές, τη βιομηχανία και το κοινό ώστε να λάβουν μέτρα περιορισμού των εκπομπών. Να αυξήσει τη δημόσια υποστήριξη στη λήψη μέτρων είτε βραχυπρόθεσμων είτε πιο μακροπρόθεσμου ή διαρθρωτικού χαρακτήρα, τα οποία τις περισσότερες φορές έχουν κοινωνικό και οικονομικό κόστος.
16 Πλεονεκτήματα των Τεχνητών Νευρωνικών δικτύων Η ικανότητά τους να περιγράφουν σειρές δεδομένων οι οποίες προέρχονται από μη γραμμικές διεργασίες. Η ικανότητά τους να αποκαλύπτουν νέες μη γραμμικές σχέσεις μεταξύ των μεταβλητών και να συσχετίζουν επιμέρους παραμέτρους, κάτι που με τις κλασικές στατιστικές μεθόδους είναι σχεδόν ανέφικτο. Η ικανότητά τους να διαχειρίζονται πολύ καλά σειρές δεδομένων με κενά (ύπαρξη ελλιπών τιμών) και θόρυβο. Η μικρή επίδραση στη συνολική απόδοσή τους η ύπαρξη στις χρονοσειρές ακραίων εσφαλμένων τιμών (outliers). Ο πολύ μικρός υπολογιστικός χρόνος τον οποίο απαιτούν για την εξαγωγή αποτελεσμάτων.
17 Τι είναι τα Τεχνητά Νευρωνικά Δίκτυα; Είναι προγράμματα για υπολογιστές που προσομοιώνουν τη βιολογική οργάνωση και τη λειτουργία των βιολογικών νευρώνων. Έχουν την ικανότητα να εκτελούν υπολογισμούς με μαζικό παράλληλο τρόπο. Βασικό τους πλεονέκτημα είναι η προσαρμοστικότητα (ευπλαστότητα), όπως συμβαίνει και με τα εγκεφαλικά μας κύτταρα, έτσι ώστε δεν χρειάζεται να επαναπρογραμματιστούν αν αλλάξει το περιβάλλον. Επιπλέον μπορούν να "μαθαίνουν" από μόνα τους αυτό που πρέπει να υπολογίσουν, χάρη σε ειδικά προγράμματα που σταδιακά διορθώνουν τα λάθη τους καθώς μεταβάλλεται η κατάσταση.
18 Χαρακτηριστικά των Τεχνητών Νευρωνικών Δικτύων Τα τεχνητά νευρωνικά δίκτυα χαρακτηρίζονται από: Την αρχιτεκτονική τους (architecture) δηλαδή τον αριθμό των νευρώνων του δικτύου, τη διάταξη και την αλληλοσύνδεσή τους. Τον τρόπο με τον οποίο μαθαίνουν, επαναφέρουν, συνδέουν, συγκρίνουν και ταξινομούν κάθε νέα πληροφορία που δέχονται με την υπάρχουσα αποθηκευμένη γνώση τους (neurodynamics). Αυτά επηρεάζουν άμεσα, όχι μόνο την ευκολία στη χρήση αλλά και την απόδοση κάθε νευρωνικού δικτύου.
19 Ο Φυσικός Νευρώνας Ο νευρώνας είναι ένα κύτταρο, το οποίο ανατομικά, αποτελείται από: (α) το σώμα, (β) τους δενδρίτες, (γ) τον άξονα, και (δ) τις συνάψεις που συνδέουν τις διακλαδώσεις του άξονα με τους δενδρίτες άλλων νευρώνων δημιουργώντας έτσι ένα νευρωνικό δίκτυο.
20 Τεχνητός νευρώνας-το μοντέλο McCulloch-Pitts x 1 x 1 x. x 2 n w 1 w 2 w n + f(u) y u -θ Νευρώνας Ένας νευρώνας με πολλές εισόδους (1,2,,n-1,n), αντίστοιχα βάρη (w1, w2,..., wn), και μία έξοδο y. Η κατάσταση του νευρώνα περιγράφεται από ένα δυαδικό αριθμό: y = 0 ο νευρώνας είναι αδρανής (δεν δίνει σήμα στην έξοδο), y = 1 ο νευρώνας δίνει σήμα στη μέγιστη συχνότητα. Το άθροισμα u του ερεθίσματος (φορτίου) που δέχεται ο νευρώνας είναι: u i = n i = 1 x i w i Αν το άθροισμα u είναι μεγαλύτερο από το κατώφλι (threshold) θ τότε ο νευρώνας δίνει σήμα, διαφορετικά παραμένει αδρανής. Έτσι έχουμε y = f(u θ).
21 Κατηγορίες Τεχνητών Νευρωνικών Δικτύων Συνήθως οι νευρώνες είναι οργανωμένοι σε επίπεδα: Επίπεδο εισόδου Επίπεδο εξόδου Κρυφά επίπεδα Τα Τεχνητά Νευρωνικά Δίκτυα (ΤΔΝ) διακρίνονται σε: Πλήρως συνδεδεμένα ΤΝ (fully connected). Μερικώς συνδεδεμένα ΤΝ (partially connected).
22 Κατηγορίες Τεχνητών Νευρωνικών Δικτύων Τα Νευρωνικά Δίκτυα διακρίνονται επίσης, σε: ίκτυα με πρόσθια τροφοδότηση (Feed-forward). ίκτυα με ανατροφοδότηση-ανάδραση (feedback ή recurrent). Νευρωνικά Δίκτυα Neural Networks Δίκτυα με πρόσθια τροφοδότηση Feed-forward networks Δίκτυα με ανατροφοδότηση Reccurent/feedback networks Αντιληπτήρας Perceptron Πολυστρωματικοί αντιληπτήρες Multilayer Perceptron-MLP Δίκτυα Συνάρτησης Ακτινικής Βάσης RBF Δίκτυα Ανταγωνιστικής Μάθησης Competitive networks Χάρτες Kohonen SOM Συσχετιστικά Δίκτυα Hopfield networks Δίκτυα ART
23 Κατηγορίες Τεχνητών Νευρωνικών Δικτύων Τα Νευρωνικά Δίκτυα διακρίνονται ανάλογα με τον τρόπο μάθησης σε: Εκπαιδευόμενα με επίβλεψη (supervised), Εκπαιδευόμενα χωρίς επίβλεψη (unsupervised), καθώς και σε Μη-εκπαιδευόμενα συσχετιστικά δίκτυα με σταθερά βάρη. Τεχνητά Νευρωνικά Δίκτυα Με επίβλεψη - Perceptron - ADALINE - MLPs - Recurrent - RBF Εκπαιδευόμενα Χωρίς επίβλεψη - Χάρτες Kohonen (SOFM) - Δίκτυα για επιβλεπόμενη κατηγοριοποίηση Vector Quantization - Δίκτυα ART Με σταθερά βάρη - Συσχετιστικά δίκτυα Hopfield - Συσχετιστικές μνήμες BAM
24 Πολυστρωματικοί αντιληπτήρες πρόσθιας τροφοδότησης (ΜultiLayer Perceptrons ή MLPs) Η αρχιτεκτονική αυτή συνεπάγεται μια πρόσθια κατεύθυνση επεξεργασίας της πληροφορίας. Η έξοδος ενός νευρώνα προσαρμόζεται σύμφωνα με τη συνάρτηση μεταφοράς και προωθείται σαν είσοδος στους νευρώνες του επόμενου επιπέδου αλλάζοντας τα βάρη και τους συντελεστές πόλωσης. Τα συναπτικά βάρη και οι συντελεστές πόλωσης είναι οι παράμετροι που πρέπει να διορθωθούν ώστε να ελαχιστοποιηθεί το σφάλμα.
25 Generalized Delta Rule (GNR) ή Back Propagation. αλγόριθμος μάθησης μέσω διόρθωσης σφάλματος με ανατροφοδότηση Πρόκειται για μια τεχνική μάθησης με επίβλεψη (superνised). Ο αλγόριθμος Back Propagation χαρακτηρίζεται από δύο στάδια υπολογισμών: Μια πρόσω διάδοση (Forward Pass) όπου η επίδραση του προτύπου που εφαρμόζεται στην είσοδο διαδίδεται στο δίκτυο και παράγεται το αποτέλεσμα στην έξοδο. Μια ανάστροφη διάδοση (Backward Pass) όπου γίνεται αναπροσαρμογή των βαρών και των συντελεστών πόλωσης. Η βασική ιδέα είναι να καθοριστεί το ποσοστό του συνολικού σφάλματος που αντιστοιχεί στα βάρη και στους συντελεστές πόλωσης του κάθε νευρώνα.
26 Παράμετροι Πολυστρωματικών αντιληπτήρων πρόσθιας τροφοδότησης Ο αριθμός των επιπέδων που απαιτούνται. Ο αριθμός των νευρώνων κάθε επιπέδου. Ο όγκος των δεδομένων που θα χρησιμοποιηθούν για την εκπαίδευση του νευρωνικού δικτύου (training set) και για τον έλεγχο της απόδοσής του (test set). Ο τύπος της συνάρτησης ενεργοποίησης των κρυμμένων επιπέδων. Ο αλγόριθμος εκπαίδευσης. Ο αριθμός των εποχών (epoch) δηλαδή των κυκλικών επαναλήψεων των προτύπων δεδομένων εισόδου κατά την εκπαίδευση έτσι ώστε να δημιουργήσουμε τεχνητά μια ακολουθία με άπειρο μήκος. Το μέγιστο επιτρεπτό λάθος. Ο ρυθμός μάθησης.
27 Προσδιορισμός των κρυμμένων επιπέδων Το πρώτο πρόβλημα που πρέπει να αντιμετωπιστεί είναι ο αριθμός των κρυμμένων (hidden) επιπέδων και ο αριθμός των νευρώνων αυτών των επιπέδων. Αν ο αριθμός των κρυμμένων επιπέδων είναι πολύ μικρός τότε ο αλγόριθμος διόρθωσης σφάλματος δεν θα καταφέρει να ελαχιστοποιήσει το σφάλμα. Από την άλλη πλευρά, η επιλογή περισσότερων νευρώνων απ' όσους χρειάζονται θα δημιουργήσει ένα δίκτυο χαμηλής απόδοσης. Κατά τη διάρκεια της εκπαίδευσης, το σφάλμα ελαχιστοποιείται αλλά όταν δίνονται νέα δεδομένα, το δίκτυο που έχει "απομνημονεύσει" τα συγκεκριμένα παραδείγματα με τα οποία εκπαιδεύτηκε, δεν μπορεί να αποδώσει ικανοποιητικά εμφανίζοντας μεγάλο σφάλμα που συνήθως οφείλεται σε υπερβολική προσαρμογή (overfitting).
28 Συνάρτηση ενεργοποίησης του νευρώνα (neuron activation function) Η επιλογή της συνάρτησης μεταφοράς είναι ένας πολύ σημαντικός παράγοντας κατά τη φάση της δημιουργίας ενός νευρωνικού δικτύου. Στους νευρώνες με συνάρτηση ενεργοποίησης την υπερβολική εφαπτομένη, η έξοδος μπορεί να είναι οποιοσδήποτε πραγματικός αριθμός από το -1 έως το 1. Υπερβολική εφαπτομένη (hyperbolic tangent): f(u) = tanh(u) = (1 e u )/(1+e u )
29 Ρυθμός εκπαίδευσης (learning rate) Ο ρυθμός εκπαίδευσης, καθορίζει το πόσο γρήγορα συγκλίνει ο αλγόριθμος µάθησης, καθώς η διόρθωση των βαρών είναι ανάλογη του ρυθμού εκπαίδευσης. Αν επιλεγεί μεγάλος ρυθμός εκπαίδευσης τότε υπάρχει κίνδυνος συνεχούς ταλάντωσης γύρω από τις βέλτιστες τιµών βαρών. Αν επιλεγεί μικρός ρυθμός εκπαίδευσης τότε η σύγκλιση είναι πολύ αργή ενώ µπορεί να οδηγήσει σε παγίδευση σε τοπικά ελάχιστα.
30 Δημιουργία ενός μοντέλου πρόβλεψης Τα απαραίτητα βήματα για τη σωστή διαμόρφωση του μοντέλου περιλαμβάνουν: Αξιολόγηση των μεταβλητών που θα ληφθούν υπόψη για τη διαμόρφωση του μοντέλου. Ανάπτυξη του μοντέλου. Εκτίμηση του μοντέλου με τη χρήση κατάλληλων δεικτών.
31 Επιλογή και ανάλυση των δεδομένων Σταθμός Λυκόβρυση : η χρονική περίοδος που μελετάται είναι από 9/1/1994 έως και 9/5/1999. Σε αυτό το διάστημα ο αριθμός των διαθέσιμων στοιχείων είναι για 1464 ημέρες από τις 1947 του συγκεκριμένου διαστήματος, δηλαδή παρατηρούνται ελλείψεις σε ποσοστό 24,81%. Σε ποσοστό 10,43% η συσκευή μέτρησης της συγκέντρωσης όζοντος στο σταθμό Λυκόβρυση καταγράφει μέση ωριαία συγκέντρωση όζοντος ίση με 4. Σταθμός Μαρούσι : η χρονική περίοδος που μελετάται είναι από 1/1/1993 έως και 3/8/1997. Σε αυτό το διάστημα ο αριθμός των διαθέσιμων στοιχείων είναι για 1252 ημέρες από τις 1703 του συγκεκριμένου διαστήματος, δηλαδή παρατηρούνται ελλείψεις σε ποσοστό 26,48%. Σε ποσοστό 4,02% η συσκευή μέτρησης της συγκέντρωσης όζοντος στο σταθμό Μαρούσι καταγράφει μέση ωριαία συγκέντρωση όζοντος ίση με 4.
32 Σταθμός Λυκόβρυση Μέση τιμή των μέγιστων ωριαίων [Ο 3 ] ανά ημέρα [O 3 ] μg/m Κυριακή Δευτέρα Τρίτη Τετάρτη Πέμπτη Παρασκευή Σάββατο Στο σταθμό της Λυκόβρυσης, η μέση τιμή των μεγίστων τιμών συγκέντρωσης όζοντος ανά ημέρα της εβδομάδας παρουσιάζει πολύ μικρή διακύμανση από 99 μέχρι 106 μg/m 3.
33 Καθορισμός του επιπέδου ρύπανσης σύμφωνα με τη μέγιστη ωριαία τιμή [O 3 ]. Επίπεδο Ρύπανσης Μέγιστη ωριαία τιμή [Ο 3 ] (μg/m 3 ) Χαμηλό [O 3 ] < 180 Μέτριο 180 <= [O 3 ] <240 Υψηλό 240 <= [O 3 ] <360 Πολύ Υψηλό [O 3 ]>=360
34 Σταθμός Λυκόβρυση [O 3 ]< =<[O 3 ]< =<[O 3 ]<360 [O 3 ]>= ΣΥΝΟΛΟ: [O3]< =<[O3]< =<[O3]<360 [O3]>=
35 Σταθμός Λυκόβρυση 4,51% Μέτριο επίπεδο 1,91% Υψηλό επίπεδο 0,41% Πολύ υψηλό επίπεδο [O3]< =<[O3]< =<[O3]<360 [O3]>360 93,17% Χαμηλό επίπεδο Η συγκέντρωση όζοντος με τιμή μεγαλύτερη από 180 μg/m 3 παρατηρείται σε 101 περιπτώσεις από τις 1464, κατά την χρονική διάρκεια των έξι ετών και σε ποσοστό μόλις 6,83%.
36 Σταθμός Λυκόβρυση [O3]< =<[O3]< =<[O3]<360 [O3]> Ιανουάριος Φεβρουάριος Μάρτιος Απρίλιος Μάιος Ιούνιος Ιούλιος Αύγουστος Σεπτέμβριος Οκτώβριος Νοέμβριος Δεκέμβριος [Ο3] μg/m 3 Τα επεισόδια ρύπανσης παρατηρούνται τους μήνες έντονης ηλιοφάνειας (από τέλος Απριλίου μέχρι και αρχές Νοεμβρίου).
37 Σταθμός Λυκόβρυση Αριθμός επεισοδίων ανά έτος [O3]>= Αριθμός επεισοδίων ανά έτος (μέγιστη ωριαία [Ο 3 ] μεγαλύτερη ή ίση από 180 μg/m 3 ), στο διάστημα
38 Σταθμός Μαρούσι [O 3 ]< =<[O 3 ]< =<[O 3 ]<360 [O 3 ]>= ΣΥΝΟΛΟ: [O3]< =<[O3]< =<[O3]<360 [O3]>=
39 Σταθμός Μαρούσι Υψηλό επίπεδο 2,88% Πολύ υψηλό επίπεδο 0,08% Μέτριο επίπεδο 6,07% [O3]<180 Χαμηλό επίπεδο 90,97% 180=<[O3]< =<[O3]<360 [O3]>=360 Η συγκέντρωση όζοντος με τιμή μεγαλύτερη από 180 μg/m 3 παρατηρείται σε 113 περιπτώσεις από τις 1252, κατά την χρονική διάρκεια των πέντε ετών και σε ποσοστό 9,03%.
40 Παράμετροι εισόδου Συμβολισμός Μονάδες μέτρησης Το ημίτονο και συνημίτονο της ημέρας του χρόνου (Julian Day) Η μέγιστη ημερήσια θερμοκρασία που προκύπτει από τις μέσες ωριαίες τιμές sinjulianday cosjulianday Μέση ημερήσια ταχύτητα ανέμου WS m/sec Επικρατούσα διεύθυνση ανέμου (ημίτονο και συνημίτονο) Τ max και WDsin και WDcos Μέγιστη ένταση ηλιακής ακτινοβολίας (Global radiation) Glo max MJ/m 2 Συνολική ηλιακή ακτινοβολία στο οριζόντιο επίπεδο Gl tot MJ/m 2 ( ) 0 C ( ) Η μέγιστη ημερήσια σχετική υγρασία που προκύπτει από τις μέσες ωριαίες τιμές Η μέγιστη ημερήσια συγκέντρωση ΝΟ που προκύπτει από τις μέσες ωριαίες τιμές Η μέγιστη ημερήσια συγκέντρωση ΝΟ 2 που προκύπτει από τις μέσες ωριαίες τιμές Η μέγιστη ημερήσια συγκέντρωση Ο 3 που προκύπτει από τις μέσες ωριαίες τιμές RΗ max % NO max μg/m 3 NO 2max μg/m 3 O 3max μg/m 3
41 Σταθμός Λυκόβρυση Μεταβλητή Forward_method Backward_method sinjulianday + + cosjulianday + + T max + + RΗ max - + Gl tot - - Glo max - - WS - - WDsin - - WDcos - - NO max + + NO 2max - - O 3max + + Με + χαρακτηρίζονται οι παράμετροι οι οποίες λαμβάνονται υπόψη και με - οι παράμετροι οι οποίες διαγράφονται.
42 Σταθμός Μαρούσι Μεταβλητή Forward_method Backward_method sinjulianday + + cosjulianday - - T max - - RΗ max - - Gl tot - - Glo max - - WS - + WDsin - - WDcos - - NO max - - NO 2max - - O 3max + + Με + χαρακτηρίζονται οι παράμετροι οι οποίες λαμβάνονται υπόψη και με - οι παράμετροι οι οποίες διαγράφονται.
43 Προεπεξεργασία των δεδομένων Πριν την εισαγωγή των δεδομένων στο νευρωνικό δίκτυο, είναι χρήσιμο να μετασχηματίζουμε τα δεδομένα εκπαίδευσης, ώστε να είναι ομοιόμορφα τα πεδία τιμών τους μέσα στο διάστημα που επιτρέπει η συνάρτηση μεταφοράς. Μέθοδος μετασχηματισμού (κανονικοποίησης των δεδομένων): Ελαχίστης και Μεγίστης τιμής: Γραμμικός μετασχηματισμός του αρχικού συνόλου δεδομένων, έτσι ώστε η νέα ελάχιστη τιμή να είναι -1 και η νέα μέγιστη τιμή να είναι +1. Για να αποφευχθούν όμως ενδεχόμενες ασυνέχειες στα ακρότατα της συνάρτησης (υπερβολική εφαπτομένη) θεωρήθηκε σκόπιμο η κανονικοποίηση των δεδομένων να γίνει στο διάστημα από 0,9 έως 0,9.
44 Οι βασικές καινοτομίες που εισάγουν τα συγκεκριμένα μοντέλα Οι παράμετροι εισόδου επιλέχθηκαν μέσω της βηματικής πολλαπλής γραμμικής παλινδρόμησης, με την χρήση του πακέτου στατιστικής ανάλυσης SPSS για να διαπιστωθεί ποια δεδομένα επεξηγούν καλύτερα την μεταβλητότητα της μέγιστης ωριαίας συγκέντρωσης όζοντος της επόμενης μέρας. Σαν παραμέτρους εισόδου χρησιμοποιούν τιμές συγκέντρωσης Ο 3 τριών προηγούμενων ημερών και όχι μόνο της αμέσως προηγούμενης μέρας. Σαν μια επιπλέον παράμετρο εισόδου χρησιμοποιούν ένα δείκτη επιπέδου ρύπανσης λόγω Ο 3 με την αντιστοίχηση των επιπέδων ρύπανσης σε τιμές μέσα στο διάστημα [-1,1]. Επίπεδο Ρύπανσης Μέγιστη ωριαία τιμή [O 3 ] (μg/m 3 ) Δείκτης Επιπέδου Ρύπανσης Χαμηλό [O 3 ] <180-0,75 Μέτριο 180 <= [O 3 ] <240-0,25 Υψηλό 240 <= [O 3 ] <360 0,25 Πολύ Υψηλό [O 3 ]>=360 0,75
45 Οι βασικές καινοτομίες που εισάγουν τα συγκεκριμένα μοντέλα Τα πρότυπα δεδομένα εισόδου, πριν την εισαγωγή τους στο νευρωνικό δίκτυο, μετασχηματίστηκαν ώστε να είναι ομοιόμορφα τα πεδία τιμών τους μέσα στο διάστημα που επιτρέπει η συνάρτηση μεταφοράς, και συγκεκριμένα στο διάστημα [-0,9 0,9]. Για μεγαλύτερη αξιοπιστία, αν και τα δεδομένα δεν χαρακτηρίζονται από πληρότητα, ωστόσο δεν έγινε καμία προσπάθεια συμπλήρωσης των κενών, έτσι ώστε να μην επηρεαστούν τα αποτελέσματα των μοντέλων. Παράλληλα, επιλέχθηκαν τα στοιχεία των ημερών για τις οποίες, οι διαθέσιμες μέσες ωριαίες μετρηθείσες συγκεντρώσεις Ο 3, ΝΟ, ΝΟ 2 ήταν περισσότερες από 16 στις 24. Τέλος, για να αποφευχθεί το πρόβλημα της υπερπροσαρμογής (ovetfitting) αφενός έγιναν πολλές δοκιμές ώστε να οδηγηθούμε στο βέλτιστο αριθμού νευρώνων στο κρυφό επίπεδο και αφετέρου χρησιμοποιήθηκε η συνάρτηση μέτρησης του σφάλματος MSEREG (Mean squared error with regularization).
46 Σταθμός Λυκόβρυση Μοντέλα Αριθμός επιπέδων Αριθμός νευρώνων ανά επίπεδο Αλγόριθμος εκπαίδευσης Αριθμός εποχών Μέγιστο επιτρεπτό σφάλμα Ρυθμός μάθησης Α 3 10, 10, 1 Trainlm e -3 0,01 Β 3 5, 5, 1 Trainlm e -3 0,01 Γ 3 10, 10, 1 Traingdx e -3 0,01 Δ 3 10, 10, 1 Trainrp e -3 0,01 Ε 3 30, 30, 1 Trainscg 500 1e -3 0,01 Ζ 3 30, 30, 1 Trainscg e -3 0,01 Η 3 10, 10, 1 Trainlm e -3 0,001 Θ 3 10, 10, 1 Trainlm ,001
47 Μοντέλο Α Σταθμός Λυκόβρυση Best Linear Fit: A = (0.732) T + (-0.138) R = Data Points Best Linear Fit A = T A T όπου Α: οι προβλεφθείσες τιμές (predicted) του μοντέλου, και Τ: οι μετρηθείσες τιμές (measured) της μέγιστης ωριαίας [Ο 3 ] τηςεπόμενηςμέρας.
48 Μοντέλο Ζ Σταθμός Λυκόβρυση Best Linear Fit: A = (0.748) T + (-0.129) R = Data Points Best Linear Fit A = T A T όπου Α: οι προβλεφθείσες τιμές (predicted) του μοντέλου, και Τ: οι μετρηθείσες τιμές (measured) της μέγιστης ωριαίας [Ο 3 ] τηςεπόμενηςμέρας.
49 Μοντέλο Α Σταθμός Μαρούσι Best Linear Fit: A = (0.715) T + ( ) R = Data Points Best Linear Fit A = T A T όπου Α: οι προβλεφθείσες τιμές (predicted) του μοντέλου, και Τ: οι μετρηθείσες τιμές (measured) της μέγιστης ωριαίας [Ο 3 ] τηςεπόμενηςμέρας.
50 Μοντέλο Δ Σταθμός Μαρούσι Best Linear Fit: A = (0.677) T + (-0.116) R = Data Points Best Linear Fit A = T A T όπου Α: οι προβλεφθείσες τιμές (predicted) του μοντέλου, και Τ: οι μετρηθείσες τιμές (measured) της μέγιστης ωριαίας [Ο 3 ] τηςεπόμενηςμέρας.
51 Τρόποι αξιολόγησης ενός μοντέλου πρόβλεψης Η απόδοση ενός μοντέλου πρόβλεψης χαρακτηρίζεται από συγκεκριμένους δείκτες: Το μέσο τετραγωνικό σφάλμα (Root-Mean Square Error) To συντελεστή προσδιορισμού R 2 (coefficient of determination) RMSE = 1 N N ( ) i= 1 P i O i (όπου P i οι τιμές των καθημερινών προβλέψεων, Ο i οι τιμές των παρατηρήσεων (μετρήσεων) και Ν ο αριθμός των παρατηρήσεων-προβλέψεων). 2 Τον λόγο των σωστά προβλεφθέντων επεισοδίων POD ή TPR=A/M Την αποτελεσματοκότητα 1-FPR όπου FPR=(F-A)/(N-M) Τον λόγο των ψεύτικων συναγερμών FAR=(F-A)/F Τον δείκτη απόδοσης SI=TPR-FPR (όπου το Α αντιπροσωπεύει τα σωστά προβλεφθέντα επεισόδια, το F όλα τα προβλεφθέντα επεισόδια, το Μ όλα τα παρατηρηθέντα επεισόδια και το Ν είναι ο συνολικός αριθμός των παρατηρήσεων). R N 2 i= 1 = N i= 1 ( P O ) i ( O i 2 O ) 2
52 Σύγκριση αποτελεσμάτων με αντίστοιχες εργασίες Σταθμός Μέτρησης Δεδομένα Εκπαίδευσης Melas et al. Λιόσια 1172 ( ) 327 (1995) Kioutsioukis et al. Λιόσια 971 ( ) 205 (1998) Δεδομένα Ελέγχου Απόδοσης Chaloulakou et al. Λιόσια 2/3 από (Απρίλιο έως Οκτώβριο ) 1/3 από (Απρίλιο έως Οκτώβριο 1999) Chaloulakou et al. Λυκόβρυση 2/3 από (Απρίλιο έως Οκτώβριο ) 1/3 από (Απρίλιο έως Οκτώβριο 1999) Chaloulakou et al. Μαρούσι 2/3 από (Απρίλιο έως Οκτώβριο ) 1/3 από (Απρίλιο έως Οκτώβριο 1999) Chaloulakou et al. Ν. Σμύρνη 2/3 από (Απρίλιο έως Οκτώβριο ) 1/3 από (Απρίλιο έως Οκτώβριο 1999) Παρούσα Εργασία Μοντέλο Α Λυκόβρυση 731 (Ιανουάριος 1994-Μάρτιος 1996) 731 (Μάρτιος 1996-Μάιος 1999) Μοντέλο Ζ Λυκόβρυση 731 (Ιανουάριος 1994-Μάρτιος 1996) 731 (Μάρτιος 1996-Μάιος 1999) Μοντέλο Α Μαρούσι 625 (Ιανουάριος 1993-Απρίλιος 1995) 624 (Απρίλιος 1995-Αύγουστος 1997) Μοντέλο Δ Μαρούσι 625 (Ιανουάριος 1993-Απρίλιος 1995) 624 (Απρίλιος 1995-Αύγουστος 1997)
53 Σύγκριση αποτελεσμάτων με αντίστοιχες εργασίες Σταθμός Μέτρησης R R 2 RMSE POD FAR SI Melas et al. Λιόσια 0,80 0,64 27,4 Kioutsioukis et al. Λιόσια 0,87 0,75 24,1 0,67 0,33 Chaloulakou et al. Λιόσια 0,61 0,37 29,6 0,75 0,48 0,63 Chaloulakou et al. Λυκόβρυση 0,70 0,49 39,4 0,74 0,56 0,60 Chaloulakou et al. Μαρούσι 0,67 0, ,67 0,53 0,50 Chaloulakou et al. Ν. Σμύρνη ,59 21,7 0,00 1,00 0,00 Παρούσα Εργασία Μοντέλο Α Λυκόβρυση 0,907 0,82 25,66 0,943 0,014 0,925 Μοντέλο Ζ Λυκόβρυση 0,918 0,84 24,22 0, ,943 Μοντέλο Α Μαρούσι 0,785 0,62 34,29 0,68 0,234 0,653 Μοντέλο Δ Μαρούσι 0,815 0,66 31,39 0,777 0,211 0,75
54 Καλύτερη απόδοση των μοντέλων Μικρός αριθμός νευρώνων στο επίπεδο εισόδου καθώς και στο κρυφό επίπεδο (εκτός κι αν ο αλγόριθμος εκπαίδευσης όπως στην περίπτωση του trainscg το επέβαλε). Μικρότερος αριθμός παραμέτρων εισόδου, έτσι ώστε να μην χρησιμοποιούνται παράμετροι οι οποίες εμφανίζουν σημαντική συσχέτιση (correlation) μεταξύ τους. Δεδομένα με λιγότερες ελλείψεις (κενά), υποδεικνύοντας πόσο σημαντική είναι η χρονική αλληλουχία των πρότυπων δεδομένων εισόδου. Μεγάλος όγκος πρότυπων δεδομένων εισόδου.
55 Σταθμός Λυκόβρυση Αποτελέσματα ενδεικτικών μοντέλων [Ο 3 ] σε μg/m περιπτώσεις ελέγχου απόδοσης NextO3max
56 Σταθμός Λυκόβρυση Αποτελέσματα ενδεικτικών μοντέλων [Ο 3 ] σε μg/m NextO3max Ζ περιπτώσεις ελέγχου απόδοσης
57 ΧΡΗΣΗ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΓΙΑ ΤΗΝ ΠΡΟΓΝΩΣΗ ΤΗΣ ΣΥΓΚΕΝΤΡΩΣΗΣ ΤΡΟΠΟΣΦΑΙΡΙΚΟΥ ΟΖΟΝΤΟΣ ΣΕ ΑΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ Λυμπεροπούλου Κυριακή Α.Μ. 99
58 Σταθμός Λυκόβρυση Αποτελέσματα ενδεικτικών μοντέλων [Ο 3 ] σε μg/m NextO3max A περιπτώσεις ελέγχου απόδοσης
59 Σταθμός Λυκόβρυση Αποτελέσματα ενδεικτικών μοντέλων [Ο 3 ] σε μg/m NextO3max B περιπτώσεις ελέγχου απόδοσης
60 Σταθμός Λυκόβρυση Αποτελέσματα ενδεικτικών μοντέλων [Ο 3 ] σε μg/m NextO3max Γ περιπτώσεις ελέγχου απόδοσης
61 Σταθμός Λυκόβρυση Αποτελέσματα ενδεικτικών μοντέλων [Ο 3 ] σε μg/m NextO3max Δ περιπτώσεις ελέγχου απόδοσης
62 Σταθμός Λυκόβρυση Αποτελέσματα ενδεικτικών μοντέλων [Ο 3 ] σε μg/m NextO3max Ε περιπτώσεις ελέγχου απόδοσης
63 Σταθμός Λυκόβρυση Αποτελέσματα ενδεικτικών μοντέλων [Ο 3 ] σε μg/m NextO3max Η περιπτώσεις ελέγχου απόδοσης
64 Σταθμός Λυκόβρυση Αποτελέσματα ενδεικτικών μοντέλων [Ο 3 ] σε μg/m NextO3max Θ περιπτώσεις ελέγχου απόδοσης
65 Σταθμός Λυκόβρυση Αποτελέσματα ενδεικτικών μοντέλων [Ο 3 ] σε μg/m περιπτώσεις ελέγχου απόδοσης NextO3max A B Γ Δ Ε Ζ Η Θ
66 Η Ελλάδα εμφανίζεται στις πρώτες θέσεις φωτοχημικής ρύπανσης μεταξύ των χωρών της Ε.Ε. ΤΙΜΗ σε μg/m 3 Ελλάδα Λυκόβρυση 463 Ιταλία Παλέρμο 443 Ελλάδα Λυκόβρυση 425 Ελλάδα Μαρούσι 421 Ιταλία Παλέρμο 414 Ελλάδα Λυκόβρυση 410 Γαλλία Νοτρ Νταμ 405 Ελλάδα Μαρούσι 401 Ελλάδα Μαρούσι 389 Ιταλία Ριτσόνε 387 Ελλάδα Λυκόβρυση 367 Ελλάδα Μαρούσι 365 Πηγή: Διεύθυνση Περιβάλλοντος (Έτος 1996)
67 Σχηματισμός και καταστροφή του όζοντος Ν 2 + Ο 2 2ΝΟ ΝΟ +1/2 Ο 2 ΝΟ 2 ΝΟ 2 +hv ΝΟ + Ο( 3 P) (λ<400nm) Ο( 3 P) +O 2 +M O 3 + M O 3 +NO NO 2 +O 2. RO2 + NO NO 2 +. RO. HO2 + NO NO 2 +. OH
68 Ημερήσια μεταβολή των συγκεντρώσεων ΝΟ, ΝΟ 2 και Ο 3
69 Έλεγχος των NΟx ή/και των VOCs σαν μέσο ελάττωσης του σχηματιζόμενου όζοντος
Τεχνητά Νευρωνικά Δίκτυα. Τσιριγώτης Γεώργιος Τμήμα Μηχανικών Πληροφορικής ΤΕΙ Ανατολικής Μακεδονίας & Θράκης
Τεχνητά Τσιριγώτης Γεώργιος Τμήμα Μηχανικών Πληροφορικής ΤΕΙ Ανατολικής Μακεδονίας & Θράκης Ο Βιολογικός Νευρώνας Δενδρίτες Συνάψεις Πυρήνας (Σώμα) Άξονας 2 Ο Βιολογικός Νευρώνας 3 Βασικά Χαρακτηριστικά
ΧΑΡΟΚΟΠΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΜΑΤΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ. Καραγιώργου Σοφία
ΧΑΡΟΚΟΠΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΜΑΤΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ Καραγιώργου Σοφία Εισαγωγή Προσομοιώνει βιολογικές διεργασίες (π.χ. λειτουργία του εγκεφάλου, διαδικασία
ΦΥΣΙΚΗ ΤΗΣ ΑΤΜΟΣΦΑΙΡΑΣ ΚΑΙ ΤΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ
ΦΥΣΙΚΗ ΤΗΣ ΑΤΜΟΣΦΑΙΡΑΣ ΚΑΙ ΤΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Ενότητα: Φυσική Ατμοσφαιρικού Περιβάλλοντος -2 Δημήτρης Μελάς Καθηγητής ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠAΝΣΗ Ορισμός της ατμοσφαιρικής ρύπανσης Ατμοσφαιρική ρύπανση ονομάζεται
ΚΕΦΑΛΑΙΟ 5 o ΣΥΜΠΕΡΑΣΜΑΤΑ
ΚΕΦΑΛΑΙΟ 5 o ΣΥΜΠΕΡΑΣΜΑΤΑ Εισαγωγή Η προσέγγιση του προβλήµατος της ατµοσφαιρικής ρύπανσης έγινε µε βάση την εµπειρία από χώρες που µελετούν το πρόβληµα αυτό συστηµατικά επί χρόνια. Τα συµπεράσµατα που
Η ατμοσφαιρική ρύπανση στην Αθήνα
Υ.ΠΕ.ΧΩ.Δ.Ε. ΓΕΝ. Δ/ΝΣΗ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Δ/ΝΣΗ ΕΛΕΓΧΟΥ ΑΤΜΟΣΦΑΙΡΙΚΗΣ ΡΥΠΑΝΣΗΣ & ΘΟΡΥΒΟΥ Η ατμοσφαιρική ρύπανση στην Αθήνα Δρ. Αναστάσιος Αδαμόπουλος Η ατμοσφαιρική ρύπανση στην Αθήνα Η αστική ρύπανση οφείλεται
Διασπορά ατμοσφαιρικών ρύπων
Διασπορά ατμοσφαιρικών ρύπων Καθηγητής Δημοσθένης A. Σαρηγιάννης Εργαστήριο Περιβαλλοντικής Μηχανικής Τμήμα Χημικών Μηχανικών Πολυτεχνική Σχολή Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Βασικές ατμοσφαιρικές
Πληροφοριακά Συστήματα & Περιβάλλον
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Πληροφοριακά Συστήματα & Περιβάλλον Ενότητα 8: Τεχνητά Νευρωνικά Δίκτυα Παναγιώτης Λεφάκης Δασολογίας & Φυσικού Περιβάλλοντος Άδειες Χρήσης
Βασικές αρχές εκπαίδευσης ΤΝΔ: το perceptron. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
Βασικές αρχές εκπαίδευσης ΤΝΔ: το perceptron Βιολογικός Νευρώνας Δενδρίτες, που αποτελούν τις γραμμές εισόδου των ερεθισμάτων (βιολογικών σημάτων) Σώμα, στο οποίο γίνεται η συσσώρευση των ερεθισμάτων και
ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το
Συγκριτική ανάλυση ατμοσφαιρικής ρύπανσης σε αστικές περιοχές Διαχρονική εξέλιξη
1η Ημερίδα Εταιρείας Δημόσιας και Περιβαλλοντικής Υγιεινής 11 Ιουνίου 2010, Λάρισα Συγκριτική ανάλυση ατμοσφαιρικής ρύπανσης σε αστικές περιοχές Διαχρονική εξέλιξη Τσιρόπουλος Νικ. Αναπληρωτής Καθηγητής,
Περιγραφή/Ορολογία Αίτια. Συνέπειες. Λύσεις. Το φωτοχημικό νέφος
Π.Αρφάνης για ΕΠΑΛ ΑΡΓΥΡΟΥΠΟΛΗΣ 2011 Περιγραφή/Ορολογία Αίτια. Συνέπειες. Λύσεις. Το φωτοχημικό νέφος Γενικές γνώσεις. Ορολογία Τι είναι η Ατμοσφαιρική Ρύπανση; Είναι η ποιοτική και ποσοτική αλλοίωση της
Υπολογιστική Νοημοσύνη. Μάθημα 9: Γενίκευση
Υπολογιστική Νοημοσύνη Μάθημα 9: Γενίκευση Υπερπροσαρμογή (Overfitting) Ένα από τα βασικά προβλήματα που μπορεί να εμφανιστεί κατά την εκπαίδευση νευρωνικών δικτύων είναι αυτό της υπερβολικής εκπαίδευσης.
Το μοντέλο Perceptron
Το μοντέλο Perceptron Αποτελείται από έναν μόνο νευρώνα McCulloch-Pitts w j x x 1, x2,..., w x T 1 1 x 2 w 2 Σ u x n f(u) Άνυσμα Εισόδου s i x j x n w n -θ w w 1, w2,..., w n T Άνυσμα Βαρών 1 Το μοντέλο
Το Πολυεπίπεδο Perceptron. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
Το Πολυ Perceptron Δίκτυα Πρόσθιας Τροφοδότησης (feedforward) Tο αντίστοιχο γράφημα του δικτύου δεν περιλαμβάνει κύκλους: δεν υπάρχει δηλαδή ανατροφοδότηση της εξόδου ενός νευρώνα προς τους νευρώνες από
Ν. ΘΕΣΣΑΛΟΝΙΚΗΣ. ΑΠΟΤΕΛΕΣΜΑΤΑ ΜΕΤΡΗΣΕΩΝ ΑΤΜΟΣΦΑΙΡΙΚΗΣ ΡΥΠΑΝΣΗΣ ΣΤΟ ΔΗΜΟ ΔΕΛΤΑ Σταθμοί Μέτρησης Σίνδου Καλοχωρίου - Διαβατών
ΔΗΜΟΣ ΔΕΛΤΑ Ν. ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΠΟΤΕΛΕΣΜΑΤΑ ΜΕΤΡΗΣΕΩΝ ΑΤΜΟΣΦΑΙΡΙΚΗΣ ΡΥΠΑΝΣΗΣ ΣΤΟ ΔΗΜΟ ΔΕΛΤΑ Σταθμοί Μέτρησης Σίνδου Καλοχωρίου - Διαβατών Γ Ι Α Τ Ο Ε Τ Ο Σ 2 0 1 1 Σίνδος 2013 2 Η συλλογή και επεξεργασία
ΣΤΑΘΜΟΣ ΜΕΤΡΗΣΗΣ ΑΕΡΙΩΝ ΡΥΠΩΝ ΕΥΚΑΡΠΙΑΣ ΑΝΑΦΟΡΑ ΜΕΤΡΗΣΕΩΝ 14/03/ /12/2015 ΗΜΟΣ ΠΑΥΛΟΥ ΜΕΛΑ
ΣΤΑΘΜΟΣ ΜΕΤΡΗΣΗΣ ΑΕΡΙΩΝ ΡΥΠΩΝ ΕΥΚΑΡΠΙΑΣ ΑΝΑΦΟΡΑ ΜΕΤΡΗΣΕΩΝ ΑΙΩΡΟΥΜΕΝΩΝ ΣΩΜΑΤΙ ΙΩΝ 14/03/2015 31/12/2015 ΗΜΟΣ ΠΑΥΛΟΥ ΜΕΛΑ 2015 Στην παρούσα αναφορά γίνεται µία σύνοψη των αποτελεσµάτων που προέκυψαν από
Ν. ΘΕΣΣΑΛΟΝΙΚΗΣ. ΑΠΟΤΕΛΕΣΜΑΤΑ ΜΕΤΡΗΣΕΩΝ ΑΤΜΟΣΦΑΙΡΙΚΗΣ ΡΥΠΑΝΣΗΣ ΣΤΟ ΔΗΜΟ ΔΕΛΤΑ Σταθμοί Μέτρησης Σίνδου Καλοχωρίου - Διαβατών
ΔΗΜΟΣ ΔΕΛΤΑ Ν. ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΠΟΤΕΛΕΣΜΑΤΑ ΜΕΤΡΗΣΕΩΝ ΑΤΜΟΣΦΑΙΡΙΚΗΣ ΡΥΠΑΝΣΗΣ ΣΤΟ ΔΗΜΟ ΔΕΛΤΑ Σταθμοί Μέτρησης Σίνδου Καλοχωρίου - Διαβατών Γ Ι Α Τ Ο Ε Τ Ο Σ 2 0 1 2 Σίνδος 2013 2 Η συλλογή και επεξεργασία
Ν. ΘΕΣΣΑΛΟΝΙΚΗΣ. ΑΠΟΤΕΛΕΣΜΑΤΑ ΜΕΤΡΗΣΕΩΝ ΑΤΜΟΣΦΑΙΡΙΚΗΣ ΡΥΠΑΝΣΗΣ ΣΤΟ ΔΗΜΟ ΔΕΛΤΑ Σταθμοί Μέτρησης Σίνδου Καλοχωρίου - Διαβατών
Δ ΗΜ Ο Σ Δ Ε Λ Τ Α Ν. ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΠΟΤΕΛΕΣΜΑΤΑ ΜΕΤΡΗΣΕΩΝ ΑΤΜΟΣΦΑΙΡΙΚΗΣ ΡΥΠΑΝΣΗΣ ΣΤΟ ΔΗΜΟ ΔΕΛΤΑ Σταθμοί Μέτρησης Σίνδου Καλοχωρίου - Διαβατών Γ Ι Α Τ Ο Ε Τ Ο Σ 2 1 3 Σίνδος 214 Η συλλογή και επεξεργασία
Δρ. Σταύρος Καραθανάσης
Δρ. Σταύρος Καραθανάσης Γενικές Έννοιες Φωτοχημείας Ο σχηματισμός του όζοντος και γενικότερα της δευτερογενούς ρύπανσης στην ατμόσφαιρα των αστικών περιοχών είναι αποτέλεσμα φωτοχημικών διεργασιών. Όταν
Μοντέλο Perceptron πολλών στρωμάτων Multi Layer Perceptron (MLP)
Μοντέλο Perceptron πολλών στρωμάτων Multi Layer Perceptron (MLP) x -0,5 a x x 2 0 0 0 0 - -0,5 y y 0 0 x 2 -,5 a 2 θ η τιμή κατωφλίου Μία λύση του προβλήματος XOR Multi Layer Perceptron (MLP) x -0,5 Μία
Βραχυπρόθεσμη τοπική μετεωρολογική πρόγνωση με αναζήτηση ανάλογων καταστάσεων
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΑΤΙΚΩΝ ΠΟΡΩΝ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Βραχυπρόθεσμη τοπική μετεωρολογική πρόγνωση με αναζήτηση ανάλογων καταστάσεων Γεώργιος Θεοδωρόπουλος Επιβλέπων
Τεχνητή Νοημοσύνη. 19η διάλεξη ( ) Ίων Ανδρουτσόπουλος.
Τεχνητή Νοημοσύνη 19η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτές βασίζονται σε ύλη των βιβλίων: Artificia Inteigence A Modern Approach των S. Russe και P.
Μελέτη και κατανόηση των διαφόρων φάσεων του υδρολογικού κύκλου.
Ζαΐμης Γεώργιος Κλάδος της Υδρολογίας. Μελέτη και κατανόηση των διαφόρων φάσεων του υδρολογικού κύκλου. Η απόκτηση βασικών γνώσεων της ατμόσφαιρας και των μετεωρολογικών παραμέτρων που διαμορφώνουν το
Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 4 o Φροντιστήριο
Ασκήσεις Φροντιστηρίου 4 o Φροντιστήριο Πρόβλημα 1 ο Ο πίνακας συσχέτισης R x του διανύσματος εισόδου x( στον LMS αλγόριθμο 1 0.5 R x = ορίζεται ως: 0.5 1. Ορίστε το διάστημα των τιμών της παραμέτρου μάθησης
ΟΡΙΣΜΟΣ - ΣΚΟΠΙΜΟΤΗΤΑ
2η Ετήσια Έκθεση Αποτελεσμάτων ΟΡΙΣΜΟΣ - ΣΚΟΠΙΜΟΤΗΤΑ Ο δείκτης προσδιορίζει τον βαθμό συμβολής του άξονα, ως μια γραμμική πηγή εκπομπής ρύπων, στην επιβάρυνση της ατμόσφαιρας των περιοχών απ' όπου διέρχεται
ΚΑΤΗΓΟΡΙΕΣ ΤΑΞΙΝΟΜΗΣΗΣ
ΚΑΤΗΓΟΡΙΕΣ ΤΑΞΙΝΟΜΗΣΗΣ Κατευθυνόμενη ταξινόμηση (supervsed cassfcaton) Μη-κατευθυνόμενη ταξινόμηση (unsupervsed cassfcaton) Γραμμική: Lnear Dscrmnant Anayss Μη- Γραμμική: Νευρωνικά δίκτυα κλπ. Ιεραρχική
ΔΗΜΟΣ ΔΕΛΤΑ Ν. ΘΕΣΣΑΛΟΝΙΚΗΣ
ΔΗΜΟΣ ΔΕΛΤΑ Ν. ΘΕΣΣΑΛΟΝΙΚΗΣ Τ Ε Χ Ν Ι Κ Η Ε Κ Θ Ε Σ Η ΑΠΟΤΕΛΕΣΜΑΤΑ ΜΕΤΡΗΣΕΩΝ ΑΤΜΟΣΦΑΙΡΙΚΗΣ ΡΥΠΑΝΣΗΣ ΣΤΟ ΔΗΜΟ ΔΕΛΤΑ ΣΤΑΘΜΟΙ ΜΕΤΡΗΣΗΣ ΣΙΝΔΟΥ ΚΑΛΟΧΩΡΙΟΥ - ΔΙΑΒΑΤΩΝ ΓΙΑ ΤΟ ΕΤΟΣ 2014 Σίνδος 2015 Η επεξεργασία
Εργαστήριο ΑΠΕ I. Ενότητα 2: Ηλιακή Γεωμετρία και Ηλιακό Δυναμικό: Μέρος Β. Πολυζάκης Απόστολος / Καλογήρου Ιωάννης / Σουλιώτης Εμμανουήλ
Εργαστήριο ΑΠΕ I Ενότητα 2: Ηλιακή Γεωμετρία και Ηλιακό Δυναμικό: Μέρος Β Πολυζάκης Απόστολος / Καλογήρου Ιωάννης / Σουλιώτης Εμμανουήλ Με δεδομένο ότι η Ένταση της Ηλιακής ακτινοβολίας εκτός της ατμόσφαιρας
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ
Θ.Ε. ΠΛΗ31 (2004-5) ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ #3 Στόχος Στόχος αυτής της εργασίας είναι η απόκτηση δεξιοτήτων σε θέματα που αφορούν τα Τεχνητά Νευρωνικά Δίκτυα και ποιο συγκεκριμένα θέματα εκπαίδευσης και υλοποίησης.
Μη Συµβολικές Μέθοδοι
Μη Συµβολικές Μέθοδοι! Η Συµβολική (symbolic AI): # Προσοµοιώνει τον τρόπο σκέψης του ανθρώπου, χρησιµοποιώντας ως δοµικές µονάδες τα σύµβολα. # Ένα σύµβολο µπορεί να αναπαριστά µία έννοια ή µία σχέση
Μάθηση και Γενίκευση. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
Μάθηση και Γενίκευση Το Πολυεπίπεδο Perceptron (MultiLayer Perceptron (MLP)) Έστω σύνολο εκπαίδευσης D={(x n,t n )}, n=1,,n. x n =(x n1,, x nd ) T, t n =(t n1,, t np ) T Θα πρέπει το MLP να έχει d νευρώνες
ΡΥΠΑΝΣΗ. Ρύπανση : η επιβάρυνση του περιβάλλοντος με κάθε παράγοντα ( ρύπο ) που έχει βλαπτικές επιδράσεις στους οργανισμούς ΡΥΠΟΙ
ΡΥΠΑΝΣΗ Ρύπανση : η επιβάρυνση του περιβάλλοντος με κάθε παράγοντα ( ρύπο ) που έχει βλαπτικές επιδράσεις στους οργανισμούς ΡΥΠΟΙ χημικές ουσίες μορφές ενέργειας ακτινοβολίες ήχοι θερμότητα ΕΠΙΚΥΝΔΥΝΟΤΗΤΑ
11/11/2009. Μέθοδος Penman Μέθοδος Thornwaite
11/11/2009 Μέθοδος Pem Μέθοδος Thorwite Τροποποιηµένη µέθοδος Pem Η µέθοδος γενικά δίνει αρκετά ικανοποιητικά αποτελέσµατα σε σχέση µε όλες τις µέχρι σήµερα χρησιµοποιούµενες έµµεσες µεθόδους και ισχύει
Η ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ ΣΤΙΣ ΠΟΛΕΙΣ ΤΟΥ ΒΟΛΟΥ ΚΑΙ ΤΗΣ ΛΑΡΙΣΑΣ
Η ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ ΣΤΙΣ ΠΟΛΕΙΣ ΤΟΥ ΒΟΛΟΥ ΚΑΙ ΤΗΣ Σ Π. Ξυγκόγιαννη, Γ. Ανδρέου, Ει. Ρεθεμιωτάκη, Ε. Ζέρβας* Ελληνικό Ανοιχτό Πανεπιστήμιο Σχολή Θετικών Επιστημών και Τεχνολογίας Σαχτούρη 11, Τ.Κ. 26222
Διερεύνηση περιβαλλοντικών χρονοσειρών με τεχνικές υπολογιστικής νοημοσύνης
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης-Τμήμα Φυσικής Π.Μ.Σ. Υπολογιστικής Φυσικής Διερεύνηση περιβαλλοντικών χρονοσειρών με τεχνικές υπολογιστικής νοημοσύνης Σταμούλης Καλτσάτος Επιβλέπων Κωνσταντίνος
Υπολογισμός Εξατμισοδιαπνοής της καλλιέργειας αναφοράς Μέθοδος Penman-Monteith FAO 56 (τροποποιημένη)
Υπολογισμός Εξατμισοδιαπνοής της καλλιέργειας αναφοράς Μέθοδος Penman-Monteith FAO 56 (τροποποιημένη) Ο υπολογισμός της εξατμισοδιαπνοής μπορεί να γίνει από μια εξίσωση της ακόλουθης μορφής: ETa ks kc
Κινητά Δίκτυα Επικοινωνιών. Συμπληρωματικό υλικό. Προσαρμοστική Ισοστάθμιση Καναλιού
Κινητά Δίκτυα Επικοινωνιών Συμπληρωματικό υλικό Προσαρμοστική Ισοστάθμιση Καναλιού Προσαρμοστικοί Ισοσταθμιστές Για να υπολογίσουμε τους συντελεστές του ισοσταθμιστή MMSE, απαιτείται να λύσουμε ένα γραμμικό
ΜΕΤΕΩΡΟΛΟΓΙΚΕΣ ΣΥΝΘΗΚΕΣ ΚΑΤΑ ΤΗΝ ΕΜΦΑΝΙΣΗ ΙΣΧΥΡΩΝ ΕΠΕΙΣΟ ΙΩΝ ΡΥΠΑΝΣΗΣ ΣΤΟ ΘΡΙΑΣΙΟ ΠΕ ΙΟ
ΜΕΤΕΩΡΟΛΟΓΙΚΕΣ ΣΥΝΘΗΚΕΣ ΚΑΤΑ ΤΗΝ ΕΜΦΑΝΙΣΗ ΙΣΧΥΡΩΝ ΕΠΕΙΣΟ ΙΩΝ ΡΥΠΑΝΣΗΣ ΣΤΟ ΘΡΙΑΣΙΟ ΠΕ ΙΟ Μαυράκης Αναστάσιος 1, Θεοχαράτος Γεώργιος 2, Πιτσιτάκης Νικόλαος 3, Χρηστίδης Αναστάσιος 4, Μακρυγιάννης Γεώργιος
ΣΥΣΤΗΜΑ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΑΕΡΟΣΩΜΑΤΙ ΙΑΚΗΣ ΡΥΠΑΝΣΗΣ ΣΕ ΣΧΕ ΟΝ ΠΡΑΓΜΑΤΙΚΟ ΧΡΟΝΟ
ΣΥΣΤΗΜΑ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΑΕΡΟΣΩΜΑΤΙ ΙΑΚΗΣ ΡΥΠΑΝΣΗΣ ΣΕ ΣΧΕ ΟΝ ΠΡΑΓΜΑΤΙΚΟ ΧΡΟΝΟ ΠΑΡΑ ΟΤΕΟ 9 ΠΛΑΤΦΟΡΜΑ ΥΠΟΛΟΓΙΣΜΟΥ ΑΕΡΟΣΩΜΑΤΙ ΙΑΚΗΣ ΡΥΠΑΝΣΗΣ Συγγραφείς: ημήτρης Παρώνης, Αδριανός Ρετάλης, Φίλιππος Τύμβιος,
Η ατμόσφαιρα και η δομή της
1 Η ατμόσφαιρα και η δομή της Ατμόσφαιρα λέγεται το αεριώδες στρώμα που περιβάλλει τη γη και το οποίο την ακολουθεί στο σύνολο των κινήσεών της. 1.1 Έκταση της ατμόσφαιρας της γης Το ύψος στο οποίο φθάνει
Νευρωνικά ίκτυα και Εξελικτικός. Σηµερινό Μάθηµα. επανάληψη Γενετικών Αλγορίθµων 1 η εργασία Επανάληψη νευρωνικών δικτύων Ασκήσεις εφαρµογές
Νευρωνικά ίκτυα και Εξελικτικός Προγραµµατισµός Σηµερινό Μάθηµα επανάληψη Γενετικών Αλγορίθµων η εργασία Επανάληψη νευρωνικών δικτύων Ασκήσεις εφαρµογές Κωδικοποίηση Αντικειµενική Συνάρτ Αρχικοποίηση Αξιολόγηση
ΑΤΜΟΣΦΑΙΡΑ. Γενικά περί ατµόσφαιρας
ΑΤΜΟΣΦΑΙΡΑ Γενικά περί ατµόσφαιρας Τι είναι η ατµόσφαιρα; Ένα λεπτό στρώµα αέρα που περιβάλει τη γη Η ατµόσφαιρα είναι το αποτέλεσµα των διαχρονικών φυσικών, χηµικών και βιολογικών αλληλεπιδράσεων του
ΠΡΟΒΛΗΜΑΤΑ ΑΠΟ ΤΗΝ ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ
ΠΡΟΒΛΗΜΑΤΑ ΑΠΟ ΤΗΝ ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ Γιάννης Κ. Ζιώµας Αναπλ. Καθηγητής, Σχολή Χηµικών Μηχανικών, Εθνικό Μετσόβιο Πολυτεχνείο Εθνικό Μετσόβιο Πολυτεχνείο, Σχολή Χηµικών Μηχανικών Το πρόβληµα Ησύνθεσητουατµοσφαιρικού
Ισορροπία στη σύσταση αέριων συστατικών
Ισορροπία στη σύσταση αέριων συστατικών Για κάθε αέριο υπάρχουν μηχανισμοί παραγωγής και καταστροφής Ρυθμός μεταβολής ενός αερίου = ρυθμός παραγωγής ρυθμός καταστροφής Όταν: ρυθμός παραγωγής = ρυθμός καταστροφής
Μάθημα 16. ΠΡΟΒΛΗΜΑΤΑ \ ΜΕ ΤΟΝ ΑΕΡΑ Η ατμοσφαιρική ρύπανση, το φαινόμενο του θερμοκηπίου, και η τρύπα του όζοντος. Η ρύπανση του αέρα
Μάθημα 16 ΠΡΟΒΛΗΜΑΤΑ \ ΜΕ ΤΟΝ ΑΕΡΑ Η ατμοσφαιρική ρύπανση, το φαινόμενο του θερμοκηπίου, και η τρύπα του όζοντος Στο μάθημα αυτό θα αναφερθούμε στην ατμοσφαιρική ρύπανση και στις συνέπειές της. Επιπλέον,
Ανάπτυξη και δηµιουργία µοντέλων προσοµοίωσης ροής και µεταφοράς µάζας υπογείων υδάτων σε καρστικούς υδροφορείς µε χρήση θεωρίας νευρωνικών δικτύων
Ανάπτυξη και δηµιουργία µοντέλων προσοµοίωσης ροής και µεταφοράς µάζας υπογείων υδάτων σε καρστικούς υδροφορείς µε χρήση θεωρίας νευρωνικών δικτύων Περίληψη ιδακτορικής ιατριβής Τριχακης Ιωάννης Εργαστήριο
Το φαινόμενου του θερμοκηπίου. 3/12/2009 Δρ. Ελένη Γουμενάκη
Το φαινόμενου του θερμοκηπίου Μέση θερμοκρασία σε παγκόσμια κλίμακα Ατμόσφαιρα ονομάζεται το αέριο τμήμα του πλανήτη, το οποίο τον περιβάλλει και τον ακολουθεί στο σύνολο των κινήσεών του Τα αέρια της
Εισηγητής: Αλέξανδρος Παπαγιάννης Αναπληρωτής Καθηγητής ΕΜΠ Εργαστήριο Τηλεπισκόπησης Laser apdlidar@central.ntua.gr
Η Ατμοσφαιρική Ρύπανση στο Λεκανοπέδιο Αθηνών Εισηγητής: Αλέξανδρος Παπαγιάννης Αναπληρωτής Καθηγητής ΕΜΠ Εργαστήριο Τηλεπισκόπησης Laser apdlidar@central.ntua.gr Περιεχόμενα Βασικοί αέριοι ρύποι Ανθρώπινη
Παρακολούθηση Αερίων Ρύπων στους Λιμένες: η περίπτωση της Ελλάδας
Παρακολούθηση Αερίων Ρύπων στους Λιμένες: η περίπτωση της Ελλάδας Κωνσταντίνος Σφετσιώρης, Επιστημονικός Συνεργάτης ΕΚΕΤΑ Συνεργάστηκαν : Δρ. Π. Γραμμέλης, Α. Μητσοτάκης Διαμορφώνοντας το πλαίσιο για την
ΔΕΛΤΙΟ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΔΕΙΚΤΗ ENV02: ΕΠΙΒΑΡΥΝΣΗ ΤΗΣ ΑΤΜΟΣΦΑΙΡΑΣ ΣΕ ΡΥΠΟΥΣ ENV02.2: ΔΕΙΚΤΗΣ ΠΟΙΟΤΗΤΑΣ ΑΕΡΑ
ΔΕΛΤΙΟ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΔΕΙΚΤΗ ENV02.2: ΔΕΙΚΤΗΣ ΠΟΙΟΤΗΤΑΣ ΑΕΡΑ ΟΡΙΣΜΟΣ ΣΚΟΠΙΜΟΤΗΤΑ Ο δείκτης παρουσιάζει την κατάσταση της ποιότητας του αέρα κατά μήκος του οδικού άξονα, ως μια γραμμική πηγή εκπομπής ρύπων,
ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ
ΤΕΙ Δυτικής Μακεδονίας ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ 2015-2016 Τεχνητή Νοημοσύνη Νευρώνας Perceptron Διδάσκων: Τσίπουρας Μάρκος Εκπαιδευτικό Υλικό: Τσίπουρας Μάρκος Τζώρτζης Γρηγόρης Περιεχόμενα Εισαγωγή
ΑΝΤΑΓΩΝΙΣΤΙΚΗ ΜΑΘΗΣΗ ΔΙΚΤΥA LVQ και SOM. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
ΑΝΤΑΓΩΝΙΣΤΙΚΗ ΜΑΘΗΣΗ ΔΙΚΤΥA LVQ και SOM Μάθηση χωρίς επίβλεψη (unsupervised learning) Σύνολο εκπαίδευσης D={(x n )}, n=1,,n. x n =(x n1,, x nd ) T, δεν υπάρχουν τιμές-στόχοι t n. Προβλήματα μάθησης χωρίς
ΑΝΘΡΑΚΙΚΕΣ ΕΝΩΣΕΙΣ. Συνολική ποσότητα άνθρακα στην ατμόσφαιρα: 700 x 10 9 tn
ΑΝΘΡΑΚΙΚΕΣ ΕΝΩΣΕΙΣ CO 2, CO, CH 4, NMHC Συνολική ποσότητα άνθρακα στην ατμόσφαιρα: 700 x 10 9 tn Διοξείδιο του άνθρακα CO 2 : Άχρωμο και άοσμο αέριο Πηγές: Καύσεις Παραγωγή τσιμέντου Βιολογικές διαδικασίες
ΔΙΑΧΕΙΡΙΣΗ ΦΥΣΙΚΩΝ ΠΟΡΩΝ ΕΡΓΑΣΙΑ A' ΤΕΤΡΑΜΗΝΟΥ
ΔΙΑΧΕΙΡΙΣΗ ΦΥΣΙΚΩΝ ΠΟΡΩΝ ΕΡΓΑΣΙΑ A' ΤΕΤΡΑΜΗΝΟΥ Εργάστηκαν οι μαθητές:διαβάτη Ελπίδα(Δ'1) Νεχωρίτης Κωσταντίνος (Δ'2) Στις μέρες μας, ακούμε διαρκώς και από παντού(μμε, ενήλικες, σχολείο) για την κλιμάκωση
ΧΗΜΕΙΑ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ Β ΛΥΚΕΙΟΥ ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗΦΑΙΝΟΜΕΝΟ ΘΕΡΜΟΚΗΠΙΟΥΤΡΥΠΑ ΤΟΥ ΟΖΟΝΤΟΣ
ΧΗΜΕΙΑ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ Β ΛΥΚΕΙΟΥ ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗΦΑΙΝΟΜΕΝΟ ΘΕΡΜΟΚΗΠΙΟΥΤΡΥΠΑ ΤΟΥ ΟΖΟΝΤΟΣ ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ Οποιαδήποτε αλλοίωση της φυσιολογικής σύστασης του αέρα που μπορεί να έχει βλαβερές επιπτώσεις
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΥΠΟΥΡΓΕΙΟ ΠΡΟΣΤΑΣΙΑΣ ΤΟΥ ΠΟΛΙΤΗ ΓΕΝΙΚΗ ΓΡΑΜΜΑΤΕΙΑ ΠΟΛΙΤΙΚΗΣ ΠΡΟΣΤΑΣΙΑΣ Δ/ΝΣΗ ΣΧΕΔΙΑΣΜΟΥ & ΑΝΤΙΜΕΤΩΠΙΣΗΣ ΕΚΤΑΚΤΩΝ ΑΝΑΓΚΩΝ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΥΠΟΥΡΓΕΙΟ ΠΡΟΣΤΑΣΙΑΣ ΤΟΥ ΠΟΛΙΤΗ ΓΕΝΙΚΗ ΓΡΑΜΜΑΤΕΙΑ ΠΟΛΙΤΙΚΗΣ ΠΡΟΣΤΑΣΙΑΣ Δ/ΝΣΗ ΣΧΕΔΙΑΣΜΟΥ & ΑΝΤΙΜΕΤΩΠΙΣΗΣ ΕΚΤΑΚΤΩΝ ΑΝΑΓΚΩΝ ΤΜΗΜΑ ΣΧΕΔΙΑΣΜΟΥ, ΠΡΟΛΗΨΗΣ & ΑΝΤ/ΣΗΣ ΤΕΧΝΟΛΟΓΙΚΩΝ & ΛΟΙΠΩΝ ΚΑΤΑΣΤΡΟΦΩΝ
1. Εισαγωγή Βάση δεδομένων Μεθοδολογία Νευρωνικών Δικτύων Αποτελέσματα Βιβλιογραφια Παραρτήμα Ι...
ΣΥΣΤΗΜΑ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΑΕΡΟΣΩΜΑΤΙ ΙΑΚΗΣ ΡΥΠΑΝΣΗΣ ΣΕ ΣΧΕ ΟΝ ΠΡΑΓΜΑΤΙΚΟ ΧΡΟΝΟ ΠΑΡΑ ΟΤΕΟ 7 ΜΕΘΟ ΟΛΟΓΙΑ ΓΙΑ ΚΑΤΗΓΟΡΙΟΠΟΙΗΣΗ ΣΥΝΟΠΤΙΚΩΝ ΚΑΤΑΣΤΑΣΕΩΝ ΚΑΙ ΗΜΙΟΥΡΓΙΑ ΣΥΝΟΠΤΙΚΩΝ ΠΡΟΤΥΠΩΝ Συγγραφείς: Φίλιππος Τύµβιος
ΑΤΜΟΣΦΑΙΡΙΚΟΙ ΡΥΠΟΙ Ορισμός της ατμοσφαιρικής ρύπανσης
ΑΤΜΟΣΦΑΙΡΙΚΟΙ ΡΥΠΟΙ Ορισμός της ατμοσφαιρικής ρύπανσης Ατμοσφαιρική ρύπανση ονομάζεται η παρουσία στην ατμόσφαιρα ρύπων, δηλαδή κάθε είδους ουσιών, θορύβου ή ακτινοβολίας σε ποσότητα, συγκέντρωση ή διάρκεια
Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων. Δρ. Ε. Χάρου
Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων Δρ. Ε. Χάρου Πρόγραμμα υπολογιστικής ευφυίας Ινστιτούτο Πληροφορικής & Τηλεπικοινωνιών ΕΚΕΦΕ ΔΗΜΟΚΡΙΤΟΣ exarou@iit.demokritos.gr Μηχανική
Περιβαλλοντική μηχανική
Περιβαλλοντική μηχανική 2 Εισαγωγή στην Περιβαλλοντική μηχανική Enve-Lab Enve-Lab, 2015 1 Environmental Μεγάλης κλίμακας περιβαλλοντικά προβλήματα Παγκόσμια κλιματική αλλαγή Όξινη βροχή Μείωση στρατοσφαιρικού
Διερεύνηση περιβαλλοντικών χρονοσειρών με στατιστικές μεθόδους και τεχνικές εξόρυξης δεδομένων
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης - Τμήμα Φυσικής Π.Μ.Σ. Υπολογιστικής Φυσικής Διερεύνηση περιβαλλοντικών χρονοσειρών με στατιστικές μεθόδους και τεχνικές εξόρυξης δεδομένων Σταματέρης Γεώργιος Επιβλέπων
ΡΥΠΑΝΣΗ ΚΑΙ ΘΟΡΥΒΟΣ ΣΤΗΝ ΠΕΡΙΟΧΗ ΧΑΙΔΑΡΙΟΥ ΜΙΑ ΠΡΩΤΗ ΠΡΟΣΕΓΓΙΣΗ
ΕΘΝΙΚΟ ΑΣΤΕΡΟΣΚΟΠΕΙΟ ΑΘΗΝΩΝ ΙΝΣΤΙΤΟΥΤΟ ΕΡΕΥΝΩΝ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΚΑΙ ΒΙΩΣΙΜΗΣ ΑΝΑΠΤΥΞΗΣ I. Mεταξά & Βασ. Παύλου, Παλαιά Πεντέλη Τ.Κ. 15236, ΑΘΗΝΑ Τηλ: 210 810 9122, 210 810 3231 Fax: 210 810 3236 URL: http://www.meteo.noa.gr
Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων
Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων Εισηγητής: ρ Ηλίας Ζαφειρόπουλος Εισαγωγή Ιατρικά δεδοµένα: Συλλογή Οργάνωση Αξιοποίηση Data Mining ιαχείριση εδοµένων Εκπαίδευση
Υπολογιστική Νοημοσύνη. Μάθημα 4: Μάθηση στον απλό τεχνητό νευρώνα (2)
Υπολογιστική Νοημοσύνη Μάθημα 4: Μάθηση στον απλό τεχνητό νευρώνα (2) Ο κανόνας Δέλτα για συνεχείς συναρτήσεις ενεργοποίησης (1/2) Για συνεχείς συναρτήσεις ενεργοποίησης, θα θέλαμε να αλλάξουμε περισσότερο
Όξινη βροχή. Όξινη ονομάζεται η βροχή η οποία έχει ph μικρότερο από 5.6.
Όξινη βροχή Οξύτητα είναι η συγκέντρωση ιόντων υδρογόνου σε μια ουσία όπως αυτή ορίζεται από τον αρνητικό λογάριθμο της συγκέντρωσης των ιόντων του υδρογόνου (ph). Το καθαρό νερό έχει ουδέτερο ph ίσο με
Τ Ε Χ Ν Ο Λ Ο Γ Ι Α Κ Λ Ι Μ Α Τ Ι Σ Μ Ο Υ ( Ε ) - Φ Ο Ρ Τ Ι Α 1
Τ Ε Χ Ν Ο Λ Ο Γ Ι Α Κ Λ Ι Μ Α Τ Ι Σ Μ Ο Υ ( Ε ) - Φ Ο Ρ Τ Ι Α 1 ΦΟΡΤΙΑ Υπό τον όρο φορτίο, ορίζεται ουσιαστικά το πoσό θερµότητας, αισθητό και λανθάνον, που πρέπει να αφαιρεθεί, αντίθετα να προστεθεί κατά
ΑΠΟΤΕΛΕΣΜΑΤΑ ΜΕΤΡΗΣΕΩΝ ΑΤΜΟΣΦΑΙΡΙΚΗΣ ΡΥΠΑΝΣΗΣ ΣΤΟ ΔΗΜΟ ΔΕΛΤΑ ΣΤΑΘΜΟΙ ΜΕΤΡΗΣΗΣ ΣΙΝΔΟΥ ΚΑΛΟΧΩΡΙΟΥ - ΔΙΑΒΑΤΩΝ
ΗΜΟΣ ΕΛΤΑ Ν. ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΠΟΤΕΛΕΣΜΑΤΑ ΜΕΤΡΗΣΕΩΝ ΑΤΜΟΣΦΑΙΡΙΚΗΣ ΡΥΠΑΝΣΗΣ ΣΤΟ ΔΗΜΟ ΔΕΛΤΑ ΣΤΑΘΜΟΙ ΜΕΤΡΗΣΗΣ ΣΙΝΔΟΥ ΚΑΛΟΧΩΡΙΟΥ - ΔΙΑΒΑΤΩΝ Γ Ι Α Τ Ο Ε Τ Ο Σ 2 0 1 5 Σίνδος 2016 Σίνδος, Ιανουάριος 2016 Η επεξεργασία
Παρακολούθηση της ποιότητας του ατµοσφαιρικού περιβάλλοντος ιαχρονική εξέλιξη της ρύπανσης
Παρακολούθηση της ποιότητας του ατµοσφαιρικού περιβάλλοντος ιαχρονική εξέλιξη της ρύπανσης Περίληψη Γ. Χρονόπουλος ΥΠΕΧΩ Ε /νση ΕΑΡΘ, Τµήµα Ποιότητας Ατµόσφαιρας Ειδική Υπηρεσία Επιθεωρητών Περιβάλλοντος
Θέμα: Αποτελέσματα μετρήσεων ατμοσφαιρικού αέρα στο Μάτι Ανατολικής Αττικής.
ΕΘΝΙΚΟ ΑΣΤΕΡΟΣΚΟΠΕΙΟ ΑΘΗΝΩΝ ΙΝΣΤΙΤΟΥΤΟ ΕΡΕΥΝΩΝ ΠΕΡΙΒΑΛΛΟΝΤΟΣ & ΒΙΩΣΙΜΗΣ ΑΝΑΠΤΥΞΗΣ (ΙΕΠΒΑ) Ι. ΜΕΤΑΞΑ & Β. ΠΑΥΛΟΥ, ΠΕΝΤΕΛΗ 152 36, ΑΘΗΝΑ Τηλ.: 210 8109121, 210 8109122 Φαξ: 210 8103236 Αθήνα, 1 Οκτωβρίου
ΟΙ ΕΠΙΠΤΩΣΕΙΣ ΤΗΣ ΟΞΙΝΗΣ ΒΡΟΧΗΣ ΣΤΟ ΠΕΡΙΒΑΛΛΟΝ
!Unexpected End of Formula l ΟΙ ΕΠΙΠΤΩΣΕΙΣ ΤΗΣ ΟΞΙΝΗΣ ΒΡΟΧΗΣ ΣΤΟ ΠΕΡΙΒΑΛΛΟΝ ΘΕΩΡΗΤΙΚΟ ΜΕΡΟΣ Παραδεισανός Αδάμ ΠΡΟΛΟΓΟΣ Η εργασία αυτή εκπονήθηκε το ακαδημαϊκό έτος 2003 2004 στο μάθημα «Το πείραμα στη
Η δυναμική της αστικής ρύπανσης από αιθαλομίχλη και οι επιπτώσεις της στη δημόσια υγεία: Τεχνικοοικονομική αντιμετώπιση του προβλήματος
Ρύπανση από αιθαλομίχλη Ημερίδα ΤΕΕ-CISD Αθήνα 7/3/3 Η δυναμική της αστικής ρύπανσης από αιθαλομίχλη και οι επιπτώσεις της στη δημόσια υγεία: Τεχνικοοικονομική αντιμετώπιση του προβλήματος Αν. Καθ. Δημοσθένης
Διαχείριση Αέριας Ρύπανσης
Πρόγραμμα Επιμόρφωσης Αποφοίτων: Περιβαλλοντική Διαχείριση - Σύγχρονα Εργαλεία Διαχείριση Αέριας Ρύπανσης Νίκος Παπαμανώλης Καθηγητής Αρχιτεκτονικής Τεχνολογίας Πολυτεχνείο Κρήτης npapama@arch.tuc.gr H
ΔΕΛΤΙΟ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΔΕΙΚΤΗ ENV02: ΕΠΙΒΑΡΥΝΣΗ ΤΗΣ ΑΤΜΟΣΦΑΙΡΑΣ ΣΕ ΡΥΠΟΥΣ ENV02.1: ΑΡΙΘΜΟΣ ΥΠΕΡΒΑΣΕΩΝ ΘΕΣΜΟΘΕΤΗΜΕΝΩΝ ΟΡΙΩΝ
ΔΕΛΤΙΟ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΔΕΙΚΤΗ ENV02.1: ΑΡΙΘΜΟΣ ΥΠΕΡΒΑΣΕΩΝ ΘΕΣΜΟΘΕΤΗΜΕΝΩΝ ΟΡΙΩΝ ΟΡΙΣΜΟΣ ΣΚΟΠΙΜΟΤΗΤΑ Αυτ η συνιστώσα του Δείκτη προσδιορίζει τον βαθμό συμβολς του άξονα, ως μια γραμμικ πηγ εκπομπς ρύπων, στην
ΣΥΣΤΗΜΑ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΑΕΡΟΣΩΜΑΤΙ ΙΑΚΗΣ ΡΥΠΑΝΣΗΣ ΣΕ ΣΧΕ ΟΝ ΠΡΑΓΜΑΤΙΚΟ ΧΡΟΝΟ ΠΑΡΑ ΟΤΕΟ 6 ΑΝΑΠΤΥΞΗ ΜΕΘΟ ΟΛΟΓΙΑΣ ΓΙΑ ΤΗΝ ΑΠΟΤΥΠΩΣΗ ΤΗΣ ΑΕΡΟΣΩΜΑΤΙ ΙΑΚΗΣ ΡΥΠΑΝΣΗΣ ΑΠΟ ΟΡΥΦΟΡΙΚΑ Ε ΟΜΕΝΑ ΚΑΙ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ
Περιβαλλοντική πληροφορική - Ευφυείς εφαρµογές
Περιβαλλοντική πληροφορική - Ευφυείς εφαρµογές ρ. Ε. Χάρου Πρόγραµµα υπολογιστικής ευφυίας Ινστιτούτο Πληροφορικής & Τηλεπικοινωνιών ΕΚΕΦΕ ΗΜΟΚΡΙΤΟΣ http://www.iit.demokritos.gr/neural Περιβαλλοντικά προβλήµατα
Κων/νος Ι. Δελήμπασης, Χημικός Μηχανικός
Αέρια ρύπανση: Θεσμικό πλαίσιο, πηγές & υφιστάμενη κατάσταση στην ευρύτερη περιοχή της Λάρισας Κων/νος Ι. Δελήμπασης, Χημικός Μηχανικός ΤΕΕ τμ. Κεντρ. & Δυτ. Θεσσαλίας, Μ.Ε. Περιβάλλοντος & Αειφορίας ΙΟΥΝΙΟΣ
Εκπαίδευση ΤΝΔ με ελαχιστοποίηση του τετραγωνικού σφάλματος εκπαίδευσης. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν.
Εκπαίδευση ΤΝΔ με ελαχιστοποίηση του τετραγωνικού σφάλματος εκπαίδευσης Ελαχιστοποίηση συνάρτησης σφάλματος Εκπαίδευση ΤΝΔ: μπορεί να διατυπωθεί ως πρόβλημα ελαχιστοποίησης μιας συνάρτησης σφάλματος E(w)
ΔΕΛΤΙΟ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΔΕΙΚΤΗ ENV02: ΕΠΙΒΑΡΥΝΣΗ ΤΗΣ ΑΤΜΟΣΦΑΙΡΑΣ ΣΕ ΡΥΠΟΥΣ
ΔΕΛΤΙΟ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΔΕΙΚΤΗ ΟΡΙΣΜΟΣ ΣΚΟΠΙΜΟΤΗΤΑ Ο δείκτης προσδιορίζει τον βαθμό συμβολής του άξονα, ως μια γραμμική πηγή εκπομπής ρύπων, στην επιβάρυνση της ατμόσφαιρας των περιοχών απ' όπου διέρχεται
Αναγνώριση Προτύπων Ι
Αναγνώριση Προτύπων Ι Ενότητα 4: Νευρωνικά Δίκτυα στην Ταξιμόμηση Προτύπων Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό
Ανδρέας Παπαζώης. Τμ. Διοίκησης Επιχειρήσεων
Ανδρέας Παπαζώης Τμ. Διοίκησης Επιχειρήσεων Περιεχόμενα Εργ. Μαθήματος Βιολογικά Νευρωνικά Δίκτυα Η έννοια των Τεχνητών Νευρωνικών Δικτύων Η δομή ενός νευρώνα Διαδικασία εκπαίδευσης Παραδείγματα απλών
Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 5 o Φροντιστήριο
Πρόβλημα ο Ασκήσεις Φροντιστηρίου 5 o Φροντιστήριο Δίνεται το παρακάτω σύνολο εκπαίδευσης: # Είσοδος Κατηγορία 0 0 0 Α 2 0 0 Α 0 Β 4 0 0 Α 5 0 Β 6 0 0 Α 7 0 Β 8 Β α) Στον παρακάτω κύβο τοποθετείστε τα
Τεχνική Υδρολογία (Ασκήσεις)
Τμήμα Δασολογίας & Διαχείρισης Περιβάλλοντος & Φυσικών Πόρων Εργαστήριο Διευθέτησης Ορεινών Υδάτων και Διαχείρισης Κινδύνου Προπτυχιακό Πρόγραμμα Σπουδών Τεχνική Υδρολογία (Ασκήσεις) Κεφάλαιο 3 ο : Εξάτμιση
Ανδρέας Παπαζώης. Τμ. Διοίκησης Επιχειρήσεων
Ανδρέας Παπαζώης Τμ. Διοίκησης Επιχειρήσεων Περιεχόμενα Εργ. Μαθήματος Εκπαίδευση (μάθηση) Νευρωνικών Δικτύων Απλός αισθητήρας Παράδειγμα εκπαίδευσης Θέματα υλοποίησης Νευρωνικών Δικτύων 2/17 Διαδικασία
ΚΕΦΑΛΑΙΟ 2 Παράδειγμα 3 Παράδειγμα 5 Παράδειγμα 6 ΔΤ3 ΔΤ4 151
ΚΕΦΑΛΑΙΟ 2 Παράδειγμα 3 Σε ένα μετεωρολογικό κέντρο χρειάζεται να βρεθεί η μέγιστη και η ελάχιστη θερμοκρασία από τις μέσες ημερήσιες θερμοκρασίες ενός μήνα. Να γραφεί ένας αλγόριθμος που θα διαβάζει τη
ΔΕΛΤΙΟ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΔΕΙΚΤΗ ENV02: ΕΠΙΒΑΡΥΝΣΗ ΤΗΣ ΑΤΜΟΣΦΑΙΡΑΣ ΣΕ ΡΥΠΟΥΣ ENV02.2: ΔΕΙΚΤΗΣ ΠΟΙΟΤΗΤΑΣ ΑΕΡΑ
ΔΕΛΤΙΟ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΔΕΙΚΤΗ ENV02.2: ΔΕΙΚΤΗΣ ΠΟΙΟΤΗΤΑΣ ΑΕΡΑ ΟΡΙΣΜΟΣ ΣΚΟΠΙΜΟΤΗΤΑ Ο δείκτης παρουσιάζει την κατάσταση της ποιότητας του αέρα κατά μήκος του οδικού άξονα, ως μια γραμμική πηγή εκπομπής ρύπων,
ΔΕΛΤΙΟ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΔΕΙΚΤΗ ENV02: ΕΠΙΒΑΡΥΝΣΗ ΤΗΣ ΑΤΜΟΣΦΑΙΡΑΣ ΣΕ ΡΥΠΟΥΣ ENV02.3: ΕΠΙΔΡΑΣΗ ΣΤΑ ΠΕΡΙΦΕΡΕΙΑΚΑ ΕΠΙΠΕΔΑ ΑΤΜΟΣΦΑΙΡΙΚΗΣ ΡΥΠΑΝΣΗΣ
ΔΕΛΤΙΟ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΔΕΙΚΤΗ ΑΤΜΟΣΦΑΙΡΙΚΗΣ ΡΥΠΑΝΣΗΣ ΟΡΙΣΜΟΣ ΣΚΟΠΙΜΟΤΗΤΑ Ο δείκτης προσδιορίζει την επίπτωση στην περιφερειακ ρύπανση και βασίζεται στα αποτελέσματα προσομοιώσεων των ατμοσφαιρικών ρύπων
Τεχνικές Προβλέψεων. Προετοιμασία & Ανάλυση Χρονοσειράς
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων Προετοιμασία & Ανάλυση Χρονοσειράς http://www.fsu.gr
ΕΙΣΑΓΩΓΗ : Τεχνητά Νευρωνικά Δίκτυα
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΠΕΙΡΑΙΑ ΤΜΗΜΑ ΜΗΧΑΝΟΛΟΓΙΑΣ ΕΡΓΑΣΤΗΡΙΟ ΗΠΙΩΝ ΜΟΡΦΩΝ ΕΝΕΡΓΕΙΑΣ & ΠΡΟΣΤΑΣΙΑΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Πρόβλεψη παραγωγής ΑΠΕ και ηλεκτρικού φορτίου με τεχνητά νευρωνικά δίκτυα Δρ. Κωνσταντίνος
ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ
Κ Kάνιγγος ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΟΛΛΙΝΤΖΑ 10, (5ος όροφ. Τηλ: 210-3300296-7. www.kollintzas.gr OΙΚΟΛΟΓΙΑ 1. Όσο το ποσό της ενέργειας: α) μειώνεται προς τα ανώτερα
Ανάρτηση σημειώσεων.
Ανάρτηση σημειώσεων http://www.chemeng.ntua.gr/the_course/environmental_science Θέματα εργασιών Επίδραση της αέρια ρύπανσης στα φυτά και στις καλλιέργειες Επίδραση της αέριας ρύπανσης στα μνημεία Ρύπανση
HMY 795: Αναγνώριση Προτύπων. Διαλέξεις 15-16
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 15-16 Νευρωνικά Δίκτυα(Neural Networks) Fisher s linear discriminant: Μείωση διαστάσεων (dimensionality reduction) y Τ =w x s + s =w S w 2 2 Τ 1 2 W ( ) 2 2 ( ) m2
Φυσιολογία Καταπονήσεων των Φυτών
Φυσιολογία Καταπονήσεων των Φυτών Ενότητα 10: Ξενοβιοτικά και Ρύποι, 2ΔΩ Τμήμα: Επιστήμης Φυτικής Παραγωγής Διδάσκοντες: Γεώργιος Καραμπουρνιώτης Γεώργιος Λιακόπουλος Μαθησιακοί Στόχοι Ορισμός και κατηγορίες
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ
ΘΕΜΑ 1 ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 21 Σεπτεµβρίου 2004 ιάρκεια: 3 ώρες Το παρακάτω σύνολο
Προσδιορισμός των κρίσιμων παραμέτρων επιρροής της υπέρβασης των ορίων ταχύτητας με δεδομένα από έξυπνα κινητά τηλέφωνα Αριστοτέλης Κοκκινάκης
Προσδιορισμός των κρίσιμων παραμέτρων επιρροής της υπέρβασης των ορίων ταχύτητας με δεδομένα από έξυπνα κινητά τηλέφωνα Αριστοτέλης Κοκκινάκης Επιβλέπων: Γιώργος Γιαννής, Καθηγητής ΕΜΠ Αθήνα, Μάρτιος 2019
1. Τα αέρια θερµοκηπίου στην ατµόσφαιρα είναι 2. Η ποσότητα της ηλιακής ακτινοβολίας στο εξωτερικό όριο της ατµόσφαιρας Ra σε ένα τόπο εξαρτάται:
1. Τα αέρια θερµοκηπίου στην ατµόσφαιρα είναι 1. επικίνδυνα για την υγεία. 2. υπεύθυνα για τη διατήρηση της µέσης θερµοκρασίας του πλανήτη σε επίπεδο αρκετά µεγαλύτερο των 0 ο C. 3. υπεύθυνα για την τρύπα
Να επιλέξετε την φράση που συμπληρώνει ορθά κάθε μία από τις ακόλουθες προτάσεις:
ΜΑΘΗΜΑ / ΤΑΞΗ : ΒΙΟΛΟΓΙΑ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ Γ ΛΥΚΕΙΟΥ ΣΕΙΡΑ: ΘΕΡΙΝΑ ΗΜΕΡΟΜΗΝΙΑ: 12/01/2014 ΘΕΜΑ 1 Ο Να επιλέξετε την φράση που συμπληρώνει ορθά κάθε μία από τις ακόλουθες προτάσεις: 1. Διαπνοή είναι η: Α.
ΙΑΝΟΥΆΡΙΟΣ 31 ΤΡΊΤΗ 1 ΚΥΡΙΑΚΉ 30 ΔΕΥΤΈΡΑ 20 ΠΑΡΑΣΚΕΥΉ 25 ΤΕΤΆΡΤΗ 26 ΠΈΜΠΤΗ 28 ΣΆΒΒΑΤΟ 22 ΚΥΡΙΑΚΉ 6 ΠΑΡΑΣΚΕΥΉ 7 ΣΆΒΒΑΤΟ 8 ΚΥΡΙΑΚΉ 9 ΔΕΥΤΈΡΑ
ΙΑΝΟΥΆΡΙΟΣ Δεκέμβριος 2016 1 ΚΥΡΙΑΚΉ Πρωτοχρονιά 17 ΤΡΊΤΗ Φεβρουάριος 1 Πέμπτη 2 Παρασκευή 3 Σάββατο 4 Κυριακή 5 Δευτέρα 6 Τρίτη 7 Τετάρτη 8 Πέμπτη 9 Παρασκευή 10 Σάββατο 11 Κυριακή 12 Δευτέρα 13 Τρίτη
94 Η χρήση των νευρωνικών µοντέλων για την κατανόηση της δοµής και λειτουργίας τού εγκεφάλου. = l b. K + + I b. K - = α n
Nευροφυσιολογία Η μονάδα λειτουργίας του εγκεφάλου είναι ένας εξειδικευμένος τύπος κυττάρου που στη γλώσσα της Νευροφυσιολογίας ονομάζεται νευρώνας. Το ηλεκτρονικό μικροσκόπιο αποκαλύπτει ότι ο ειδικός
ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ
ΘΕΜΑ ο (.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Πέµπτη 7 Ιανουαρίου 8 5:-8: Σχεδιάστε έναν αισθητήρα (perceptron)
ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ Ενότητα: Αναγνώριση Διεργασίας - Προσαρμοστικός Έλεγχος (Process Identification) Αλαφοδήμος Κωνσταντίνος