Υβριδικά δίκτυα μηχανικής μάθησης μπορούν να σχηματιστούν από τη συνένωσητεχνικών μη επιβλεπόμενης μάθησης και πιθανοτικών προσεγγίσεων, σε μίαπροσπάθεια να συνδυαστούν τα πλεονεκτήματα τους και να ξεπεραστούν ορισμένοιαπό τους περιορισμούς τους. Η παρούσα διδακτορική διατριβή εισαγάγει μία τέτοιαυβριδική προσέγγιση η οποία συνδυάζει τους αυτο-οργανούμενους χάρτες - Self-Organizing Maps (SOMs) με τα κρυφά μοντέλα Markov - Hidden Markov Models(HMMs). O αυτο-οργανούμενος χάρτης κρυφών μοντέλων Markov - Self-OrganizingHidden Markov Model Map (SOHMMM) είναι μία τομή ανάμεσα στις θεωρητικέςβάσεις και στις αλγοριθμικές πραγματώσεις των δύο συστατικών στοιχείων του.Αμφότερες οι αρχιτεκτονικές των δύο συνιστωσών του συγχωνεύονται. Ο λειτουργικόςπυρήνας του SOHMMM αποτελείται από ένα νέο ενοποιημένο SOM-HMMαλγόριθμο. Η ένωση και η συνέργια των μεθοδολογιών της μη επιβλεπόμενηςεκπαίδευσης του SOM και του δυναμικού προγραμματισμού του HMM παράγουν μίακλάση στοχαστικών αλγορίθμων μη επιβλεπόμενης μάθησης, οι οποίοιενσωματώνονται πλήρως με το SOHMMM. Τα κύρια πλεονεκτήματα του προτεινόμενου συστήματος είναι η ικανότητα του να εκμεταλλεύεται την ενυπάρχουσααλλά αφανή πληροφορία που κρύβεται στις χωροχρονικές συσχετίσεις των στοιχείωντων δεδομένων, καθώς και το γεγονός ότι απαιτεί ελάχιστη, ή ακόμη και καθόλου, εκτων προτέρων γνώση που να σχετίζεται με το εκάστοτε υπό εξέταση πρόβλημαμοντελοποίησης.Σε μία πιο πραγματιστική βάση, μπορεί να υποστηριχθεί ότι οι αντίστοιχεςαρχιτεκτονικές και οι επιμέρους μεθοδολογίες μάθησης συνενώνονται σε μίαπροσπάθεια να ικανοποιηθούν οι αυξανόμενες απαιτήσεις που πηγάζουν από τα DNA,RNA και πρωτεϊνικά μόρια. Η αντιμετώπιση πολλών προβλημάτων ανάλυσηςβιολογικών αλληλουχιών επιτυγχάνεται μέσω του προκύπτοντος αυτόματουμηχανισμού μάθησης από ανεπεξέργαστα δεδομένα. Εξαιτίας του γεγονότος ότι τοSOHMMM μπορεί να φέρει εις πέρας αναλύσεις ακολουθιών και αλληλουχιών,απαιτώντας ελάχιστη ή μηδενική εκ των προτέρων γνώση, μπορεί να έχει μία σειράεφαρμογών στην ομαδοποίηση, στην μείωση διαστατικότητας και στην οπτικοποίησησυστάδων ακολουθιών μεγάλης κλίμακας, και επιπλέον, υπό συγκεκριμένες προϋποθέσεις, στην αναζήτηση και στην κατηγοριοποίηση τους. Τρεις εκτενείς σειρέςπειραμάτων, βασιζόμενες σε τεχνητά σύνολα ακολουθιών, στην πρωτεϊνική οικογένεια των σφαιρινών και στα splice junctions αλληλουχιών γονιδίων, επιδεικνύουν ταχαρακτηριστικά και τις δυνατότητες του SOHMMM.
INVERSE METHOD FOR THE RETRIEVAL OF OCEAN VERTICAL PROFILES USING SELF ORGANIZING MAPS AND HIDDEN MARKOV MODELS - Application on Ocean Colour Satellite Image Inversion
