Ο Ιωάννης Θεοχάρης γεννήθηκε στα Τρίκαλα, στις 1 Νοεμβρίου 1956. Έλαβε το Δίπλωμα του Ηλεκτρολόγου μηχανικού από την Πολυτεχνική Σχολή του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης το 1979. Το 1985 αναγορεύτηκε διδάκτορας του ιδίου τμήματος. Η διδακτορική του διατριβή είχε τίτλο “ Μελέτη σχημάτων διαμόρφωσης θέσης παλμών για τον έλεγχο ασύγχρονων τριφασικών μηχανών.” Το 1980 εντάχθηκε στο διδακτικό και ερευνητικό προσωπικό του Τμήματος Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών (ΤΗΜΜΥ) και από το 2008 κατέχει την θέση καθηγητή με γνωστικό αντικείμενο: “Μοντελοποίηση Δυναμικών Συστημάτων”.
Τα ερευνητικά του ενδιαφέρονται εστιάζονται στην Υπολογιστική Νοημοσύνη (Computational Intelligence), τα Ασαφή Συστήματα (Fuzzy Systems), Νευρωνικά Δίκτυα (Neural Networks), Εξελικτικοί αλγόριθμοι (Evolutionary algorithms), Μηχανική μάθηση (Machine learning), Βαθιά μάθηση (Deep learning), Μοντελοποίηση (Modeling), Αναγνώριση προτύπων (Pattern recognition) και ανάλυση βιο-ιατρικών εικόνων (Medical imaging). Έχει συγγράψει πάνω από 140 επιστημονικές εργασίες στα παραπάνω γνωστικά αντικείμενα, σε έγκριτα διεθνή περιοδικά και διεθνή συνέδρια.
Τα εκπαιδευτικά καθήκοντα στο ΤΗΜΜΥ περιλαμβάνουν την διδασκαλία των μαθημάτων: Ηλεκτρικά Κυκλώματα, Συστήματα Αυτομάτου Ελέγχου Ι, Υπολογιστική Νοημοσύνη και Σχεδίαση Ενεργών Φίλτρων. Στα πλαίσια του ΜΠΣ εμπλέκεται επίσης στην διδασκαλία των μαθημάτων: Υπολογιστική Νοημοσύνη – Συστήματα εμπνευσμένα από την βιολογία: Ασαφή συστήματα, Εξελικτική Υπολογιστική – Αλγόριθμοι εμπνευσμένοι από την βιολογία, Τεχνικές μηχανικής μάθησης.
Διετέλεσε επί σειρά ετών Διευθυντής του Τομέα Ηλεκτρονικής και Υπολογιστών του ΤΗΜΜΥ και διευθυντής του εργαστηρίου Αυτοματοποίησης και Ρομποτικής του ΤΗΜΜΥ. Στην τρέχουσα φάση είναι διευθυντής του Δια-τμηματικού Μεταπτυχιακού Προγράμματος Σπουδών του ΤΗΜΜΥ με τίτλο «Προηγμένα συστήματα υπολογιστών και επικοινωνιών». Είναι μέλος πολλών διεθνών επιστημονικών οργανισμών και συλλόγων, όπως το Τεχνικό Επιμελητήριο Ελλάδας το ΙΕΕΕ κ.α.
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης
Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
54124 Θεσσαλονίκη
Τηλ. : +30 2310 996343
Fax : +30 2310 996447
Email: theochar(at)eng.auth.gr,
theochar(at)ece.auth.gr
Ερευνητικά ενδιαφέροντα
- Μηχανική μάθηση: Στο πλάισιο του machine learning η έρευνα επικεντρώνεται στην μελέτη διαφόρων μορφών ταξινομητών (classifiers) και μοντέλων αναγνώρισης (regressors) βασισμένων στα διανύσματα υποστήριξης (SVMs) και την αναπαράσταση δεδομένων με γράφους. Εξετάζονται επίσης και σύγχρονες τεχνικές αραιής αναπράστασης (Sparse representation) των δεδομένων, μεθοδολογίες διαστατικής μείωσης (Dimensionality reduction), τεχνικές μεταφοράς γνώσης μεταξύ διαφορετικών πεδίων (Transfer learning) και ενεργού μάθησης (Active learning). Οι μεθοδολογίες εφαρμόζονται στην ταξινόμηση πολυφασματικών δορυφορικών εικόνων, στο Soil spectroscopy για την πρόβλεψη ιδιοτήτων εδαφών και σε διάφορα προβλήματα βιο-οατρικής (medical imaging): α) Χαρακτηρισμό MRI εικόνων γονάτου με βάση την μεθοδολογία Multi-Atlas Segmentation, β) πρόβλεψη βαθμού οστεοαρθρήτιδας και διαχρονικής εξέλιξης της νόσου από εικόνες MRI.
- Βαθιά μάθηση: Στην περιοχή του Deep learning διερευνώνται διάφορες μορφές Convolutional Neural Networks (CNNs) με σκοπό την ταξινόμηση εικόνων και μοντελοποίηση συστημάτων. Εξετάζονται επίσης μοντέλα Stacked Autoencoders (SAEs) με σκοπό την καλύτερη αναπαράσταση του χώρου των χαρακτηριστικών. Οι μεθοδολογίες εφαρμόζονται στο πεδίο του Soil spectroscopy για την πρόβλεψη ιδιοτήτων εδαφών και στο Regitration MRI εικόνων γονάτων στον χώρο του Medical imaging. Οι παραπάνω τεχνικές εξετάζονται επίσης με σκοπό το Segmentation MRI εικόνων γονάτου και την πρόβλεψη του βαθμού οστεοαρθρήτιδας.
- Φασματοσκοπία εδάφους: Η έρευνα στην περιοχή του Soil spectroscopy επικεντρώνεται στις φασματικές υπογραφές εδαφών (Vis-NIR spectra) με σκοπό την ανάλυση των εδαφικών ιδιοτήτων. Εξετάζονται κυρίως fuzzy rule-based μοντέλα με αυξημένες δυνατότητες ερμηνευσιμότητας και επιλογής χαρακτηριστικών, η ανάπτυξη των οποίων βασίζεται σε προηγμένους εξελικτικούς αλγορίθμους (Differential Evolution, DEs). Διερευνώνται επίσης διαφορετικά μοντέλα από την περιοχή του machine learning όπως ο αλγόριθμος graph-based Lap-SVR με ενσωματωμένη μεθοδολογία ενεργού μάθησης (Active learning). Οι μεθοδολογίες εφαρμόζοντα σε μεγάλες βάσεις φασματικών υπογραφών εδάφους και κυρίως στην Ευρωπαική βάση LUCAS.
- Ασαφή μοντέλα: Η έρευνα στην περιοχή αυτή επικεντρώνεται στην ανάπτυξη υβριδικών ασαφών νευρωνικών δικτύων (Fuzzy Neural Networks, FNN), τα οποία συνδυάζουν τις ιδιότητες ασαφούς περιγραφής και τις αρχές συμπερασμού και εξαγωγής συμπεράσματος των ασαφών συστημάτων με τα χαρακτηριστικά παραλληλισμού και προσαρμοστικής μεταβολής βαρών των νευρωνικών δικτύων. Βασικά ζητούμενα της έρευνας η διαμόρφωση οικονομικών μοντέλων με λειτουργικά χαρακτηριστικά δομής και ποιοτική περιγραφή των προς μοντελοποίηση συστημάτων με την μορφή ασαφών κανόνων IF/THEN.
- Αναδρομικά Ασαφή Νευρωνικά Μοντέλα: Η έρευνα στο γνωστικό αυτό αντικείμενο εστιάζεται στην ανάπτυξη αναδρομικών ασαφών νευρωνικών δικτύων (Recurrent fuzzy neural networks, RFNN) για την αποτελεσματική μοντελοποίηση πολύπλοκων μη-γραμμικών, μη-στάσιμων διαδικασιών. Τα μοντέλα RFNN περιγράφονται από δυναμικούς ασαφείς κανόνες με ασαφή διαμερισμό του τμήματος υπόθεσης και εισαγωγή δυναμικής στο τμήμα συμπεράσματος. Εξετάζονται διαφορετικές μορφές δυναμικής είτε με την εισαγωγή εξωτερικών αναδράσεων είτε με την εισαγωγή εσωτερικών βρόχων ανάδρασης με χρήση δυναμικών νευρώνων και δυναμικών υποσυστημάτων. Μελετώνται επίσης κατανεμημένες δομές RFNN, αποτελούμενες από ένα αριθμό δυναμικών μονάδων διασυνδεδεμένων σε αλυσιδωτή μορφή για βελτίωση των δυνατοτήτων χρονικής παράστασης των μοντέλων.
- Αλγόριθμοι Εκμάθησης Παραμέτρων Ασαφών Μοντέλων: Μελέτη καινοτόμων αλγορίθμων αναπροσαρμογής βαρών με στόχο την αποτελεσματική εκπαίδευση ασαφών νευρωνικών δικτύων. Διερευνώνται αλγόριθμοι με πολυπαραγοντικές συναρτήσεις κόστους οι οποίες εμπλέκουν εκτός από το μέτρο σφάλματος και ζωτικά δομικά χαρακτηριστικά των μοντέλων, όπως ο βαθμός επικάλυψης μεταξύ ασαφών συνόλων και οι συνθήκες ευθυγράμμισης διαδοχικών μεταβολών των βαρών με στόχο την δημιουργία ποιοτικότερων μοντέλων περιγραφής, αποφυγής τοπικών ελαχίστων και βελτίωση της ταχύτητας σύγκλισης. Αναπτύσσονται αλγόριθμοι εκπαίδευσης για στατικά και δυναμικά ασαφή νευρωνικά δίκτυα.
- Αλγόριθμοι Προσδιορισμού Δομής Ασαφών Μοντέλων: Το πρόβλημα καθορισμού δομής (structure learning) αποτελεί βασικό ερευνητικό ζητούμενο στην περιοχή της μοντελοποίησης συστημάτων, με άμεση επίδραση στην πολυπλοκότητα, την απόδοση και τα χαρακτηριστικά γενίκευσης του δημιουργούμενου μοντέλου. Στα πλαίσια της έρευνας αναπτύσσονται συστηματικές μεθοδολογίες προσδιορισμού δομής με βάση τα πρότυπα εκπαίδευσης, με στόχο την επιλογή του βέλτιστου αριθμού ασαφών κανόνων, την διάταξη των ασαφών περιοχών στο τμήμα υπόθεσης και τον καθορισμό των απαραίτητων όρων που θα πρέπει να εισαχθούν στο τμήμα συμπεράσματος των μοντέλων. Εξετάζονται μέθοδοι αναγνώρισης δομής για στατικά ασαφή μοντέλα καθώς και για αναδρομικά ασαφή νευρωνικά δίκτυα.
- Αναδρομικά Νευρωνικά Δίκτυα και Αλγόριθμοι Εκπαίδευσης: Η έρευνα στην περιοχή αυτή επικεντρώνεται στην διερεύνηση πολυστρωματικών αναδρομικών νευρωνικών δικτύων με εσωτερική τοπική δυναμική (Local Feedback Multilayer Neural Networks). Τα μοντέλα αυτά περιλαμβάνουν δυναμικούς νευρώνες τα συναπτικά βάρη των οποίων υλοποιούνται από αναδρομικά γραμμικά φίλτρα άπειρης κρουστικής απόκρισης (IIR), γεγονός το οποίο προσδίδει πλούσια δυναμική και αυξημένες δυνατότητες προσέγγισης πολύπλοκων χρονικών διαδικασιών. Αναπτύσσονται βέλτιστοι κατανεμημένοι αλγόριθμοι εκπαίδευσης αναδρομικών δικτύων βασιζόμενοι στον διαμερισμό των βαρών και την παράλληλη αναπροσαρμογή βαρών των επί μέρους υποσυνόλων, με στόχο την ελάττωση της υπολογιστικής πολυπλοκότητας της διαδικασίας εκμάθησης. Επίσης, προτείνεται ένας καινοτόμος αλγόριθμος για την εκπαίδευση δικτύων Block Diagonal Recurrent Neural Networks (BD-RNN), με βελτιωμένα χαρακτηριστικά απόδοσης και διασφάλιση ευσταθούς λειτουργίας του μοντέλου.
- Γενετικοί Αλγόριθμοι και Εξελικτικές Στρατηγικές: Η έρευνα εστιάζεται στην ανάπτυξη εξελιγμένων γενετικών αλγορίθμων και αποτελεσματικών γενετικών τελεστών τοπικής αναζήτησης λύσεων και ανασυνδυασμού πληθυσμών, με εφαρμογή στην επίλυση προβλημάτων βελτιστοποίησης με περιορισμούς καθώς και του προβλήματος βραχυπρόθεσμης υδροθερμικής συνεργασίας. Λόγω των βελτιωμένων χαρακτηριστικών αναζήτησης βέλτιστων λύσεων, οι γενετικοί αλγόριθμοι χρησιμοποιούνται για την αναγνώριση δομής (structure learning) και προσδιορισμού παραμέτρων (parameter learning) στατικών και δυναμικών ασαφών νευρωνικών δικτύων.
- Μέθοδοι Επιλογής Εισόδων και Χαρακτηριστικών: Το πρόβλημα επιλογής εισόδων (input selection) και χαρακτηριστικών (feature selection) αποτελεί σημαντικό ερευνητικό αντικείμενο στην περιοχή της υπολογιστικής νοημοσύνης, με δραστικές επιπτώσεις στην απόδοση, τις ιδιότητες γενίκευσης και την πολυπλοκότητα δομής των δημιουργούμενων μοντέλων και ταξινομητών. Στα πλαίσια της έρευνας στο πεδίο αυτό μελετώνται συστηματικές μεθοδολογίες επιλογής εισόδων με σημαντική φέρουσα πληροφορία, με στόχο την ανάπτυξη αποδοτικών ασαφών νευρωνικών μοντέλων. Διερευνώνται αναλυτικές μέθοδοι επιλογής καθώς και τεχνικές βασισμένες στους γενετικούς αλγορίθμους. Επιπρόσθετα, εξετάζονται μέθοδοι επιλογής χαρακτηριστικών με χρήση τεχνικών ασαφούς ομαδοποίησης και αρχών της θεωρίας των ασαφών συστημάτων, με σκοπό την δημιουργία ασαφών ταξινομητών.
- Ασαφείς Νευρωνικοί Ταξινομητές: Στα πλαίσια της έρευνας στο γνωστικό αντικείμενο της αναγνώρισης προτύπων, αναπτύσσεται μια νέα οικογένεια ασαφών νευρωνικών ταξινομητών (Neuro-Fuzzy Classifier) με βελτιωμένα χαρακτηριστικά απόδοσης. Τα προτεινόμενα μοντέλα είναι ιεραρχικές αρχιτεκτονικές αποτελούμενες από διασυνδεδεμένους ασαφείς νευρωνικούς υπο-ταξινομητές μικρής κλίμακας οι οποίοι διατάσσονται σε στρώματα. Διαμορφώνεται μια καινοτόμα δομή για τους στοιχειώδεις ταξινομητές η οποία συνδυάζει τις αποφάσεις των ταξινομητών-γονέων (decision fusion), διαμερίζει το σύνολο των δεδομένων εκπαίδευσης και βελτιώνει την ακρίβεια αναγνώρισης των αμφίβολων προτύπων. Η δομή του ταξινομητή αναπτύσσεται συστηματικά με αυτό-οργανούμενο τρόπο με χρήση ενός αλγορίθμου αναγνώρισης δομής. Διερευνάται επίσης η δυνατότητα εισαγωγής στοιχείων της ασαφούς λογικής και ασαφούς ομαδοποίησης (fuzzy clustering) σε παραδοσιακές τεχνικές ταξινόμησης, με σκοπό την δημιουργία νέων ταξινομητών με βελτιωμένα χαρακτηριστικά απόδοσης, ευρωστίας και γενίκευσης.
- Ασαφείς Ταξινομητές και Εξελικτικοί Αλγόριθμοι: Η έρευνα επικεντρώνεται στην ανάπτυξη ασαφών ταξινομητών αποτελούμενων από ασαφείς κανόνες ταξινόμησης (Fuzzy rule-based classifiers) με χρήση εξελικτικών αλγορίθμων. Εξετάζονται διαφορετικές μεθοδολογίες εξόρυξης της βάσης ασαφών κανόνων ακολουθώντας δύο εναλλακτικές στρατηγικές αναζήτησης: κωδικοποίηση του συνόλου της βάσης στο χρωμόσωμα (Pittsburg approach) και αναζήτηση μεμονωμένων κανόνων μέσα από μια επαναληπτική διαδικασία (Michigan approach). Η έρευνα εστιάζεται και στο πρόβλημα προσδιορισμού των κατάλληλων χαρακτηριστικών κάθε κανόνα, το ζήτημα της ερμηνευσιμότητας (interpretability) και το μέγεθος της ασαφούς βάσης κανόνων. Η προτεινόμενη μέθοδος εφαρμόζεται σε δύσκολα προβλήματα ταξινόμησης με μεγάλο αριθμό χαρακτηριστικών, όπως η ταξινόμηση πολύ-φασματικών και υπερ-φασματικών δορυφορικών εικόνων για τον προσδιορισμό κάλυψης γης.
- Προσαρμοστικός Αυτόματος Έλεγχος: Η έρευνα αφορά την ανάπτυξη προσαρμοστικών ασαφών-νευρωνικών ελεγκτών με σκοπό τον έλεγχο μη γραμμικών συστημάτων. Διερευνώνται αποτελεσματικές στρατηγικές ευσταθούς σχεδίασης οι οποίες διασφαλίζουν το ομοιόμορφα υπέρτατα φραγμένο των σφαλμάτων παρακολούθησης, του νόμου ελέγχου καθώς και όλων των σημάτων που εμπλέκονται στο κλειστό βρόχο ελέγχου. Εξετάζονται επίσης μέθοδοι σχεδίασης ελεγκτών βασισμένων στην τεχνική γραμμικών ανισοτήτων πινάκων (Linear Matrix Inequalities, LMI), με στόχο την διαμόρφωση συνθηκών ελέγχου μη γραμμικών συστημάτων με διασφάλιση ασυμπτωτικής ευστάθειας του συστήματος κλειστού βρόχου.