Η ΒΥΠ διαθέτει αντίτυπο της διατριβής σε έντυπη μορφή στο βιβλιοστάσιο διδακτορικών διατριβών που βρίσκεται στο ισόγειο του κτιρίου της. / Τα ψηφιακά συστήματα UWB (Ultra Wide-Band) παρέχουν τη δυνατότητα ασύρματης μετάδοσης σε πολύ υψηλό ρυθμό. Λόγω του μεγάλου εύρους ζώνης, το κανάλι εισάγει πολλαπλές ανακλάσεις οι οποίες φέρουν μεγάλο ποσοστό της ωφέλιμης ενέργειας του μεταδιδόμενου σήματος. Η ικανότητα του δέκτη για σύλληψη όσο το δυνατόν περισσότερης ωφέλιμης ενέργειας έχει αντίκτυπο στη συνολική απόδοση του συστήματος. Η χρήση της τεχνικής διαμόρφωσης με πολύπλεξη συχνότητας ορθογωνίων φερουσών (OFDM), που στην συγκεκριμένη περίπτωση (UWB) συνδυάζεται με πολυζωνική (Multi-band) μετάδοση, απλοποιεί τη διαχείριση του συνολικού φάσματος συχνοτήτων. Όμως η διαμόρφωση OFDM παρουσιάζει ιδιαίτερη ευαισθησία σε προβλήματα τόσο διασυμβολικής παρεμβολής (ISI) όσο και διακαναλικής παρεμβολής (ICI), λόγω του έντονου διασκορπιστικού χαρακτήρα του καναλιού καθώς επίσης και τυχόν αποκλίσεων που εμφανίζονται στους ταλαντωτές πομπού-δέκτη. Τα παραπάνω επιβάλλουν τη χρήση σύνθετων αλγορίθμων συγχρονισμού και συντονισμού (time and frequency synchronization) μεταξύ πομπού και δέκτη για την ομαλή λειτουργία. Στα πλαίσια της διπλωματικής αυτής θα πραγματοποιηθεί επιλογή κατάλληλων αλγορίθμων για τα προαναφερθέντα προβλήματα, οι οποίοι θα πρέπει να πληρούν τις προδιαγραφές του υπό διαμόρφωση διεθνούς προτύπου 802.15.3α και θα αναπτυχθούν βέλτιστες αρχιτεκτονικές VLSI, με στόχο τόσο το χαμηλό κόστος υλοποίησης όσο και την χαμηλή κατανάλωση ισχύος. / In this project have been studied the low power VLSI architecture for synchronization algorithms in Multi-band UWB Wireless systems. The main issues are timing and frequency synchronization algorithms.

Με τα δίκτυα αισθητήρων μπορούμε να παρακολουθούμε το περιβάλλον και να εξάγουμε χρήσιμη πληροφορία με αυτόματο τρόπο. Τα τελευταία χρόνια, λόγω και της ανάπτυξης κατάλληλων ολοκληρωμένων κυκλωμάτων, έχουν εμφανιστεί κόμβοι αισθητήρων σε πολύ μικρό μέγεθος. Αυτοί οι κόμβοι έχουν την δυνατότητα να επεξεργάζονται δεδομένα, να επικοινωνούν μεταξύ τους και να περιέχουν περισσότερα από ένα είδη αισθητήρων. Η συγκεκριμένη εργασία ασχολείται με δίκτυα τυχαία διασκορπισμένων αισθητήρων. Το πρόβλημα που μελετήθηκε είναι ο εντοπισμός της θέσης πολλαπλών πηγών από το δίκτυο. Οι πηγές εκπέμπουν ευρείας ζώνης σήματα που μοντελοποιούνται ως διαδικασίες AR. Η τεχνική λειτουργεί με έναν σειριακό τρόπο. Επιλέγει μια πηγή, εκτιμά τις διαφορές χρόνων άφιξης του σήματός της και υπολογίζει την θέση της πηγής χρησιμοποιώντας το κριτήριο ελαχίστων τετραγώνων. Στην συνέχεια, ακυρώνει το σήμα της πηγής από τα σήματα που έχουν λάβει οι κόμβοι του δικτύου και η όλη διαδικασία ξεκινάει από την αρχή. Παρουσιάζονται πειραματικά αποτελέσματα που δείχνουν την επιτυχή λειτουργία της στην περίπτωση που υπάρχει στην περιοχή του δικτύου μια, δυο ή τρεις πηγές. / Sensor networks are used for monitoring an environment and extracting useful information in an automated way. In recent years, mostly because of the development of suitable integrated circuits, sensor nodes, in small sizes, have emerged. These nodes are capable of processing data, communicating with each other and multi-modal sensing. The thesis is concerned with ad-hoc sensor networks. The problem, that is tackled, is the estimation of position of sources in a multi-source environment. The signals, that are emitted, are modelled as AR processes. The proposed method works in a serial manner. Firstly, one of the sources is selected and the time differences of arrival among the sensor nodes are computed. Then, the position of the source is estimated using the least squares criterion. Finally, the signal of the source is cancelled from the sensor nodes’ received signals and the whole procedure starts over. Experimental results show the functionality of the method when one, two or three sources are present in the environment.

Στο πρόβλημα της ταξινόμησης μιας κλάσης μία από τις κλάσεις, που ονομάζεται target κλάση, πρέπει να διαχωριστεί από όλα τα άλλα πιθανά αντικείμενα. Αυτά θεωρούνται σαν outliers (ή non-targets). Η ανάγκη για τη λύση ενός τέτοιου προβλήματος προκύπτει σε πολλές πρακτικές εφαρμογές, π.χ. στη μηχανική ανίχνευση λάθους, στην αναγνώριση προσώπου, στην επαλήθευση συγγραφικών δικαιωμάτων, στην αναγνώριση απάτης ή στη ταυτοποίηση ατόμου με βάση βιομετρικά δεδομένα. Στη συγκεκριμένη διπλωματική γίνεται ταξινόμηση μιας κλάσης ηλεκτροεγκεφαλικών σημάτων. Με αυτό τον τρόπο επιτυγχάνεται η ανίχνευση ενός πυραύλου μέσα σε δορυφορικές εικόνες, χρησιμοποιώντας τα ηλεκτροεγκεφαλικά σήματα ενός υποκειμένου το οποίο βλέπει δορυφορικές εικόνες σε μια LCD οθόνη. Για να γίνει η ταξινόμηση δημιουργήθηκε ένα σετ target και ένα σετ outlier αντικειμένων(δεδομένα).Τα target αντικείμενα είναι τα τμήματα από τα αρχικά ηλεκτροεγκεφαλικά σήματα τα οποία συνδέονται με την παρατήρηση πυραύλου μέσα σε μία δορυφορική εικόνα από το υποκείμενο, ενώ τα outlier αντικείμενα είναι άλλα τμήματα(ίδιου μεγέθους με τα target) των αρχικών ηλεκτροεγκεφαλικών σημάτων. Tα αντικείμενα μεταφέρονται σε ένα χώρο χαρακτηριστικών λιγότερων διαστάσεων από τον αρχικό τους χώρο, χρησιμοποιώντας τη γραμμική μέθοδο MCA (Minor Component Analysis). Για τη ταξινόμηση μιας κλάσης των αντικειμένων μελετώνται και χρησιμοποιούνται οι ταξινομητές MST_CD (Minimum Spanning Tree Class Descriptor), k-NNDD (k Nearest Neighbors Data Description) και SVDD (Support Vector Domain Description). Η εκπαίδευση των ταξινομητών αυτών γίνεται με ένα μικρό ποσοστό των target αντικειμένων (αντικείμενα εκπαίδευσης). Υπολογίζεται η απόδοση ταξινόμησης για κάθε έναν από αυτούς χρησιμοποιώντας τα υπόλοιπα target αντικείμενα μαζί με τα outlier αντικείμενα. Τέλος συγκρίνονται οι αποδόσεις και εξάγονται τα συμπεράσματα για τις υψηλές τιμές τους. Στο παράρτημα Α φαίνεται ο εκτελέσιμος στο matlab κώδικας με τον οποίο έγιναν όλα τα παραπάνω. Ο κώδικας γράφτηκε αποκλειστικά για τη συγκεκριμένη διπλωματική εργασία. / In the problem of one-class classification one of the classes, called the target class, has to be distinguished from all other possible objects. These are considered as outliers (or non-targets). The need for solving such a task arises in many practical applications, e.g. in fault detection, face recognition, authorship verification, fraud recognition or person identification based on biometric data. In this thesis a one-class classification of EEG (Electroencephalographic) data is being done. By this way, the detection of an air missile is achieved by using the EEG data of a subject, which is watching satellite images in a LCD monitor. For the classification a set of target and a set of outlier objects (data) were created. The target objects are parts of the original EEG data that are event-related with the detection of an air missile in a satellite image by the subject and the outlier objects are other parts (of the same size with target) of the original EEG data. The objects are mapped in a feature space of fewer dimensions than their original space, by using the linear method MCA (Minor Component Analysis). For the one-class classification of the objects, the classifiers that are studied and used are MST_CD (Minimum Spanning Tree Class Descriptor), k-NNDD (k Nearest Neighbors Data Description) and SVDD (Support Vector Domain Description). For the training of these classifiers a small percentage of target objects (training objects) are used. The performance of the classification is calculated for every classifier by using the rest target objects and the outlier objects. Finally the performances are compared and conclusions for their high values are made. In the appendix A there is the executable code in matlab which does all the above. The code created just for the purposes of this thesis.

Non-stationary signals, that is signals with time-varying (TV) statistical properties, are commonly encountered in engineering practice. The vibration responses of structures, such as traffic-excited bridges, robotic devices, rotating machinery, and so on, constitute typical examples of non-stationary signals. Structures characterized by properties that vary with time are generally referred as TV structures and their vibration-based identification under normal operating conditions is a significant and challenging problem. An important class of parametric methods for the solution of this problem is based on Functional Series Time-dependent AutoRegressive Moving Average (FS-TARMA) models. These models have parameters that explicitly depend on time, with the dependence described by deterministic functions belonging to specific functional sub-spaces. The focus of the present thesis is on the development of complete and advanced FS-TARMA methods that will offer important improvements in overcoming drawbacks of existent methods and will further foster practical use and application of FS-TARMA models in non-stationary vibration analysis. The specific objectives of the thesis are: a) The introduction of a novel class of Adaptable FS-TARMA (AFS-TARMA) models and the development of a method for their effective identification. AFS-TARMA models are adaptable in the sense that they are not based on basis functions of a fixed form, but instead, they use basis functions with a-priori unknown properties that may adapt to the specific random signal characteristics. b) The postulation of a vector FS-TARMA method for output-only structural identification and the development of effective tools for both model parameter estimation and model structure selection. c) The introduction of a statistical method for vibration-based fault diagnosis in TV structures. d) The presentation of a thorough review on FS-TARMA models covering both theoretical and practical aspects of the model parameter estimation and structure selection problems with special emphasis being placed on promising recent methods. The methods that are developed in each chapter of this thesis are validated through their application in both numerical and experimental case studies and comparisons with currently available non-stationary signal identification methods. The results of the study demonstrate the new methods' applicability, effectiveness, and high potential for parsimonious and accurate identification and dynamic analysis of TV structures. / Μη-στάσιμα σήματα, δηλαδή σήματα με χρονικά μεταβαλλόμενες (ΧΜ) στατιστικές ιδιότητες, απαντώνται συχνά στην επιστήμη του μηχανικού. Τυπικά παραδείγματα αποτελούν οι ταλαντωτικές αποκρίσεις κατασκευών, όπως γέφυρες με κινούμενα οχήματα, ρομποτικές διατάξεις, περιστρεφόμενες μηχανές και άλλες. Κατασκευές που χαρακτηρίζονται από ιδιότητες οι οποίες μεταβάλλονται με τον χρόνο αναφέρονται ως ΧΜ κατασκευές και η δυναμική αναγνώριση και ανάλυση τους επί τη βάση ταλαντωτικών σημάτων απόκρισης αποτελεί σημαντικό και ταυτόχρονα δύσκολο πρόβλημα. Μια σημαντική τάξη παραμετρικών μεθόδων για την επίλυση αυτού του προβλήματος βασίζεται στα συναρτησιακά χρονικά μεταβαλλόμενα μοντέλα αυτοπαλινδρόμησης κινητού μέσου όρου (FS-TARMA, Functional Series Time-Dependent Auto-Regressive Moving Average). Τα μοντέλα αυτά χαρακτηρίζονται απο ΧΜ παραμέτρους οι οποίες ακολουθούν καθοριστικό πρότυπο και κατά συνέπεια μπορούν να προβληθούν σε κατάλληλα επιλεγμένους συναρτησιακούς υποχώρους. Ως βασικός στόχος της παρούσας διατριβής ορίζεται η ανάπτυξη εξελιγμένων μεθόδων μοντελοποίησης FS-TARMA οι οποίες θα προσφέρουν σημαντικές βελτιώσεις στις υπάρχουσες προσεγγίσεις και θα βοηθήσουν στην αντιμετώπιση πρακτικών προβλημάτων που σχετίζονται τόσο με την αναγνώριση των δυναμικών χαρακτηριστικών όσο και την διάγνωση βλαβών σε ΧΜ κατασκευές. Οι συγκεκριμένοι στόχοι της διατριβής μπορούν να περιγραφούν ως ακολούθως: α) Εισαγωγή καινοτόμων προσαρμόσιμων μοντέλων FS-TARMA και ανάπτυξη κατάλληλης μεθόδου για την αποτελεσματική εκτίμηση τους. Τα νέα μοντέλα είναι προσαρμόσιμα υπό την έννοια ότι δεν βασίζονται σε προκαθορισμένες συναρτήσεις βάσης, αλλά αντιθέτως χρησιμοποιούν συναρτήσεις βάσης με εκ των προτέρων άγνωστες ιδιότητες οι οποίες μπορούν να προσαρμοστούν στα χαρακτηριστικά συγκεκριμένου σήματος. β) Ανάπτυξη διανυσματικής μεθόδου εκτίμησης μοντέλων FS-TARMA για την αναγνώριση κατασκευών μέσα από διανυσματικά σήματα ταλαντωτικής απόκρισης. Ανάπτυξη αποδοτικών εργαλείων τόσο για το πρόβλημα εκτίμησης των παραμέτρων όσο και της επιλογής της δομής του μοντέλου. γ) Εισαγωγή στατιστικής μεθόδου για την διάγνωση βλαβών σε ΧΜ κατασκευές μέσω μοντέλων FS-TAR. δ) Παρουσίαση μιας διεξοδικής επισκόπησης των μοντέλων FS-TARMA η οποία καλύπτει τόσο θεωρητικά όσο και πρακτικά ζητήματα των προβλημάτων εκτίμησης των παραμέτρων και επιλογής της δομής των μοντέλων. Η αποτελεσματικότητα των μοντέλων και των μεθόδων που αναπτύσσονται σε κάθε κεφάλαιο αυτής της διατριβής διερευνάται µέσω της εφαρµογής τους τόσο σε αριθµητικές όσο και πειραµατικές µελέτες και συγκρίσεις µε υπάρχουσες µη-στάσιµες µεθόδους αναγνώρισης σηµάτων. Τα αποτελέσματα της εργασίας αυτής επιδεικνύουν την ικανότητα των νέων μοντέλων να παρέχουν εξαιρετικά ακριβείς αναπαραστάσεις ΧΜ κατασκευών κατάλληλων τόσο για την δυναμική ανάλυση όσο και για την διάγνωση βλαβών σε αυτές.

H διδακτορική διατριβή μελετά ζητήματα που αφορούν την ενσωμάτωση υπολογιστικών μοντέλων ακοής για την μοντελοποίηση και επεξεργασία ηχητικών σηματών για την βέλτιστη αναπαραγωγή τους σε χώρους με αντήχηση καθώς και την κωδικοποίηση ηχητικών δεδομένων. Το κύριο μέρος της διατριβής επικεντρώθηκε στην μοντελοποίηση των αντιληπτικά σημαντικών αλλοιώσεων λόγω αντήχησης, με την βοήθεια κατάλληλα οριζόμενων μόνο-ωτικών και διαφορικών ενδο-καναλικών παραμέτρων και την απεικόνιση τους με τη βοήθεια χρονο-συχνοτικών 2Δ αναπαραστάσεων. Ο λεπτομερής εντοπισμός των αλλοιώσεων στα ηχητικά σήματα μέσω του προτεινόμενου Δείκτη Επικάλυψης λόγω Αντήχησης (ΔΕΑ) διαμόρφωσε κατάλληλη μεθοδολογία ανάλυσης-σύνθεσης, για την καταστολή της αντήχησης σε συγκεκριμένες χρονο-συχνοτικές περιοχές. Το κύριο πλεονέκτημα της προτεινόμενης, εξαρτώμενης του σήματος, μεθοδολογίας είναι ότι επιτυγχάνεται η καταστολή των, με σχετική καθυστέρηση, παραμορφώσεων λόγω αντήχησης σε μια μεγαλύτερη κλίμακα, δεδομένου ότι μόνο οι αντιληπτικά σημαντικές περιοχές του σήματος επηρεάζονται από την επεξεργασία. Επιπλέον, αναζητήθηκε η δυνατότητα ανάλυσης των ηχητικών δεδομένων με βάση τις εσωτερικές τους αναπαραστάσεις (όπως δηλαδή τις παρέχει το υπολογιστικό μοντέλο ακοής) με εφαρμογή στην περιοχή της κωδικοποίησης σημάτων. Ο προτεινόμενος μη-ομοιόμορφος κβαντιστής πραγματοποιεί τη διαδικασία της κβάντισης χρονο-συχνοτικά με κατάλληλη οδήγηση από το υπολογιστικό μοντέλο ακοής, εξασφαλίζοντας καλύτερη υποκειμενική ηχητική ποιότητα, σε σχέση με ένα ομοιόμορφο PCM κβαντιστή. Χρησιμοποιώντας τη βασική λειτουργία του μη-ομοιόμορφου κβαντιστή, υλοποιήθηκε ενά κριτήριο αξιολόγησης ηχητικών δεδομένων, όπου σε αντίθεση με καθιερώμενα κριτήρια (όπως το Noise to Mask Ration, NMR) επιτελεί τις λειτουργίες του στο πεδίο χρόνου-συχνότητας και παρέχει τη δυνατότητα εντοπισμού της υποκειμενικά σημαντικής παραμόρφωσης με βάση την χρονική εξέλιξη του σήματος. / The dissertation studies issues concerning the integration of computational auditory models for modeling and processing of audio signals for optimal reproduction in reverberant spaces as well as topics related to audio coding. Based on the theoretical framework analysis that was established, the necessity of a signal-dependent approach was underlined for modeling the perceptually-relevant effects of reverberation. The main part of the dissertation thesis was focused on describing the perceptually-relevant alterations due to reverberation, based on appropriate defined monaural and differential inter-channel parameters and also their representation with well-defined time-frequency 2D maps. The detailed localization of alterations due to reverberation in the acoustic signals via the proposed Reverberation Masking Index (RMI) introduced an analysis-synthesis methodology for the compensation of reverberation in perceptually-significant time-frequency regions incorporating also, well-established digital signal processing techniques. The main advantage of the proposed signal-dependent methodology is that the suppression of reverberant tails can be achieved on a larger scale under practical conditions, since only perceptually significant regions of the signal are affected after processing. Additionally, the proposed framework complements the more traditional system-dependent inverse filtering methods, enabling novel and efficient signal processing schemes to evolve for room dereverberation applications. The thesis examines also the feasibility of the acoustic signal analysis based on the internal representations provided by the computational auditory model, applicable in the area of audio coding. The proposed non-uniform quantizer operates in the time-frequency domain, where a novel quantization process is driven by the computational auditory model, thus enabling an overall better perceptual quality with respect to uniform PCM quantizer. Considering the fundamental operation of the novel non-uniform quantizer, a criterion for audio quality evaluation was proposed, where contrary to well-established criteria (i.e., Noise to Mask Ratio, NMR) its potential structure performs in the time-frequency domain and provides the detailed localization of perceptually-important distortions based on the input signal’s evolution.