ANFIS applications: review and future trend of temperature data

Tsoumpris Vasileios

URI	http://purl.tuc.gr/dl/dias/4136BA18-F9D3-4CFF-83A6-474140E80E80	-
Identifier	https://doi.org/10.26233/heallink.tuc.86966	-
Language	el	-
Extent	74 σελίδες	el
Extent	8.7 megabytes	en
Title	Εφαρμογές του ANFIS: ανασκόπηση και μελλοντική τάση σε θερμοκρασιακά δεδομένα	el
Title	ANFIS applications: review and future trend of temperature data	en
Creator	Tsoumpris Vasileios	en
Creator	Τσουμπρης Βασιλειος	el
Contributor [Thesis Supervisor]	Atsalakis Georgios	en
Contributor [Thesis Supervisor]	Ατσαλακης Γεωργιος	el
Contributor [Committee Member]	Zopounidis Konstantinos	en
Contributor [Committee Member]	Ζοπουνιδης Κωνσταντινος	el
Contributor [Committee Member]	Tsafarakis Stelios	en
Contributor [Committee Member]	Τσαφαρακης Στελιος	el
Publisher	Πολυτεχνείο Κρήτης	el
Publisher	Technical University of Crete	en
Academic Unit	Technical University of Crete::School of Production Engineering and Management	en
Academic Unit	Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησης	el
Description	Διπλωματική θέση που υποβλήθηκε στη σχολή ΜΠΔ του Πολ. Κρήτης για την πλήρωση προϋποθέσεων λήψης του πτυχίου.	el
Content Summary	Η πρόβλεψη κλιματολογικών συνθηκών, προσδιορίζεται ως μία από τις σημαντικότερες προκλήσεις της σύγχρονης εποχής όπως έχει επισημανθεί από το Παγκόσμιο Πρόγραμμα Κλιματολογικών Ερευνών (WCRP, 2020). Στην παρούσα διπλωματική επιχειρείται η πρόβλεψη θερμοκρασιακών τάσεων τον επόμενο μήνα, με βάση ένα νεύρο-ασαφές μοντέλο. Το μοντέλο αποτελείται από ένα ελεγκτή ANFIS, που χρησιμοποιείται για τον έλεγχο του συστήματος που επεξεργάζεται θερμοκρασιακά δεδομένα, το οποίο επίσης προσδιορίζεται, από μία προσαρμοζόμενη νεύρο-ασαφή τεχνική ANFIS. Με την χρήση κατάλληλων μεταβλητών για την παραμετροποίηση του μοντέλου (trial and error), αποδεικνύεται ότι το ποσοστό επιτυχίας πρόβλεψης της τάσης μεταβολής της θερμοκρασίας, αγγίζει σε ακρίβεια το 94%. Το ποσοστό αυτό βάσει διεθνούς βιβλιογραφίας και μελετών, θεωρείται πολύ ικανοποιητικό. Συμπερασματικά το μοντέλο για το οποίο εκπονήθηκε η εργασία δείχνει κατάλληλο για την πρόβλεψη θερμοκρασίας.	el
Content Summary	Predicting climatic conditions is identified as one of the most important challenges of the modern era as highlighted by the World Climate Research Program (WCRP, 2020). This diploma thesis attempts to predict temperature trends on next month, based on a neuro-fuzzy model. The model consists of an ANFIS controller, used to control the system. The system processes temperature data and is also determined by an adaptive neuro-fuzzy ANFIS technique. Using appropriate variables and the trial and error method to set up the model, it turns out that the prediction success rate reaches 94% accuracy. This percentage, based on international literature and studies, is considered very satisfactory in performance. In conclusion, the model for which the work was carried out seems suitable for predicting temperature.	en
Type of Item	Διπλωματική Εργασία	el
Type of Item	Diploma Work	en
License	http://creativecommons.org/licenses/by-nc-nd/4.0/	en
Date of Item	2020-10-12	-
Date of Publication	2020	-
Subject	Μοντέλα και προβλέψεις	el
Subject	Κλιματολογική πρόβλεψη	el
Subject	Θερμοκρασιακή πρόβλεψη	el
Subject	Νεύρο-ασαφή συστήματα	el
Subject	Προβλεπτικά μοντέλα	el
Subject	Expert systems and predictions	en
Subject	Predictions	en
Subject	Anfis prediction model	en
Subject	Neuro-fuzzy technique	en
Bibliographic Citation	Βασίλειος Τσούμπρης, "Εφαρμογές του ANFIS: ανασκόπηση και μελλοντική τάση σε θερμοκρασιακά δεδομένα", Διπλωματική Εργασία, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2020	el
Bibliographic Citation	Vasileios Tsoumpris, "ANFIS applications: review and future trend of temperature data", Diploma Work, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2020	en

Search

Browse

My Space

ANFIS applications: review and future trend of temperature data

Tsoumpris Vasileios

Available Files

Services

Export

Share

Statistics

Metadata & Content in a METS Package:

Metadata in Format: