Όπως δηλώνει και ο τίτλος, η παρούσα διπλωματική εργασία διαπραγματεύεται διάφορες τεχνικές για την ανίχνευση του φάσματος σε cognitive radio SIMO συστήματα. Η συμβατική προσέγγιση της διαχείρισης του φάσματος δεν είναι ευέλικτη καθώς με το περισσότερο χρήσιμο τμήμα του ραδιοφάσματος να είναι δεσμευμένο, είναι εξαιρετικά δύσκολο να βρεθούν ελεύθερες συχνότητες για την ανάπτυξη νέων υπηρεσιών ή για τον εμπλουτισμό των ήδη υπαρχόντων, ενώ ταυτόχρονα, διάφορες μετρήσεις έχουν καταδείξει ότι το αδειοδοτημένο φάσμα σπάνια χρησιμοποιείται πλήρως, τόσο ως προς το πεδίο του χρόνου όσο και ως προς το πεδίο του χώρου. Έτσι, η τεχνολογία του Cognitive Radio (Γνωστικά Συστήματα Ραδιοεπικοινωνιών) έρχεται να προσφέρει λύση, κυρίως, στα παραπάνω ζητήματα παρέχοντας δυναμική εκμετάλλευση του φάσματος. Η τεχνολογία του Cognitive Radio έχει προταθεί για μικρότερης προτεραιότητας δευτερεύοντα συστήματα αποσκοπώντας στη βελτίωση της αποδοτικότητας του διαθέσιμου φάσματος μέσω της ανίχνευσής του και επιτρέποντας στα δευτερεύοντα αυτά συστήματα να εκπέμπουν στις μπάντες που εντοπίζονται να μη χρησιμοποιούνται. Όπως γίνεται εύκολα αντιληπτό από τα παραπάνω, η ανίχνευση φάσματος (spectrum sensing) αποτελεί ένα ιδιαιτέρως κρίσιμο θέμα για τα cognitive συστήματα. Για να επιτευχθεί η προσαρμοστική μετάδοση σε αχρησιμοποίητα τμήματα φάσματος, χωρίς να προκαλούνται παρεμβολές στους βασικούς χρήστες αυτών των τμημάτων (Primary Users-PUs), το spectrum sensing αποτελεί το πρώτο και ένα από τα κυριότερα βήματα, καθώς απαιτείται υψηλή αξιοπιστία στην ανίχνευση του σήματος των PUs. Οι δευτερεύοντες χρήστες (Secondary Users-SUs), δηλαδή, θα πρέπει να γνωρίζουν αν το φάσμα χρησιμοποιείται ώστε να αξιοποιήσουν το διαθέσιμο φάσμα με τον πιο αποτελεσματικό τρόπο. Ουσιαστικά, το spectrum sensing εφαρμόζεται για να δώσει στον cognitive χρήστη μια όσο το δυνατόν πιστότερη εικόνα του περιβάλλοντος στο οποίο βρίσκεται. Σκοπό της παρούσας διπλωματικής εργασίας αποτελεί η μελέτη και η ανάπτυξη αλγορίθμων που θα επιτρέπουν στον SU ενός SIMO συστήματος να ανιχνεύει την ύπαρξη φασματικών κενών. Η υλοποίηση που χρησιμοποιήσαμε βασίζεται στη χρήση ενός predictor. Πιο συγκεκριμένα, το σήμα που λαμβάνει ο δέκτης περνά από ένα backward linear predictor από τον οποίο υπολογίζουμε τη διαφορά του προβλεπόμενου σήματος σε σχέση με το πραγματικό, δηλαδή το σφάλμα πρόβλεψης. Αξιοποιώντας κατάλληλα το σφάλμα πρόβλεψης, και πιο συγκεκριμένα τον πίνακα αυτοσυσχέτισης του σφάλματος, μας δίνεται η δυνατότητα να ανιχνεύσουμε αξιόπιστα την ύπαρξη ή την απουσία σήματος, ακόμα και σε θορυβώδη περιβάλλοντα, δηλαδή για χαμηλές τιμές του λόγου σήματος προς θόρυβο. Για τον έλεγχο της απόδοσης των αλγορίθμων που αναπτύξαμε, το παραπάνω σύστημα εξομοιώθηκε σε MATLAB για διάφορες συνθήκες και κανάλια / In the present thesis, we will study spectrum sensing techniques of Cognitive Radio SIMO systems. The conventional approach to spectrum management is not flexible, as most of the useful part of the spectrum is bounded. Hence it is extremely difficult to find free frequencies in order to deploy new services or to enhance the already existing ones. At the same time, various measurements show that the licensed spectrum is heavily underutilized in terms of both the time domain as well as the space domain. Thus Cognitive Radio technology comes to offer solutions, mainly with regard to the issues mentioned above, providing a dynamic utilization of the spectrum. Cognitive Radio has been proposed for lower priority secondary systems intending to improve spectral efficiency through spectrum sensing thus allowing these systems to transmit at frequency bands that are detected to be unused. As we can easily understand from the above, spectrum sensing is a critical issue for cognitive systems. In order to achieve adaptive transmission in unused portions of the spectrum without interferences to the licensed users of these portions (Primary Users-PUs), spectrum sensing is the first and one of the most important steps as high reliability is demanded on PUs' signal detection. That is, Secondary Users (SUs) should know if the spectrum is being used in order to exploit the available spectrum in the most efficient way. Essentially, spectrum sensing is used in order to provide the cognitive user with a representation of its operating environment which is as faithful as possible. The scope of this thesis is the study and the creation of algorithms that will give the SU of a SIMO system the opportunity to detect the existence of spectrum holes. The implementation we used is based on a predictor. More specifically, the received signal passes through a backward linear predictor from which we compute the difference between the actual signal and the predicted signal, which is the prediction error. By properly exploiting the prediction error, more precisely the autocorrelation matrix of the prediction error, we can trustworthily detect the existence or the absence of a signal, even in noisy environments, that is, for low values of the signal-to-noise ratio. In order to test the performance of our algorithms, the system above was simulated by MATLAB for different conditions and channels.

Στην παρούσα διπλωματική εργασία παρουσιάζονται τα ιατρικά συστήματα λήψης απόφασης (MDSS) και αρχιτεκτονικές ανάπτυξή τους. Πραγματεύεται τις έννοιες του ευφυούς ελέγχου και της ασάφειας για να καταλήξει στον όρο Ασαφή Γνωστικά Δίκτυα(FCΜ). Αφού περιγράφεται αναλυτικά η ανάπτυξή, ο καθορισμός των παραμέτρων και οι μεθοδολογίες εκμάθησης ενός Ασαφούς Γνωστικού Δικτύου, καταλήγει τελικά στην εφαρμογή τους στον χώρο της ιατρικής. Τέλος, ακολουθεί το μοντέλο ενός Ασαφούς Ελεγκτή για ιατρικές εφαρμογές και η ανάπτυξη ενός MDSS για την εύρεση Κάκωσης Γόνατος με αρχιτεκτονικές Ανταγωνιστικού Ασαφούς Γνωστικού Δικτύου (CFCΜ). / The thesis represents the medical decision support systems (MDSS) and their architecture. Starting with the concepts of intelligent control and Fuzzy Cognitive Maps (FCM), it describes in detail the development, the setting parameters, and the learning methods of FCMs, with the purpose of their application into the field of medicine. Finally, it illustrates the model of a Fuzzy Controller for medical applications and the development of an MDSS for finding knee injury with the architecture of Competitive FCMs (CFCM).

Τα τελευταία χρόνια, η ραγδαία αύξηση των χρηστών ασύρματης επικοινωνίας και η ολοένα και αυξανόμενη ζήτηση πιο αποδοτικών επικοινωνιών μεταξύ των χρηστών, έστρεψαν το ενδιαφέρον της επιστημονικής κοινότητας στην μελέτη πιο ευέλικτων ασύρματων δικτύων. Ιδιαίτερο ενδιαφέρον προς αυτή την κατεύθυνση παρουσιάζουν τα Γνωστικά Συστήματα Ραδιοεπικοινωνιών (Cognitive Radios). Τα Γνωστικά Συστήματα είναι ευφυή συστήματα τα οποία έχουν την ικανότητα να αντιλαμβάνονται τα χαρακτηριστικά του περιβάλλοντος στο οποίο βρίσκονται και να προσαρμόζουν κατάλληλα τις παραμέτρους της μετάδοσης τους με στόχο πιο αξιόπιστες και πιο ευέλικτες επικοινωνίες. Ιδιαίτερο χαρακτηριστικό αυτών των συστημάτων είναι το γεγονός ότι μπορούν να συνυπάρξουν ταυτόχρονα δύο είδη χρηστών, οι κύριοι και οι δευτερεύοντες. Κύριοι είναι οι χρήστες οι οποίοι έχουν νόμιμη άδεια χρήσης μιας ζώνης συχνοτήτων από κάποια αρμόδια αρχή, ενώ δευτερεύοντες ονομάζονται οι χρήστες του δικτύου που δεν έχουν άδεια χρήσης κάποιας ζώνης συχνοτήτων αλλά υπό κατάλληλες συνθήκες μπορούν να χρησιμοποιήσουν κάποια ζώνη που ανήκει στους κύριους χρήστες. Η μετάδοση των δευτερευόντων χρηστών γίνεται με τέτοιο τρόπο (συχνότητα και χρόνο μετάδοσης), ώστε να μην δημιουργείται παρεμβολή στους κύριους χρήστες. Πρόσφατα, το ερευνητικό ενδιαφέρον στράφηκε προς την χαρτογράφηση κάποιον φαινομένων σε τέτοιου είδους συστήματα. Πιο συγκεκριμένα, με τον όρο χαρτογράφηση εννοούμε την μελέτη ενός φαινομένου, όπως για παράδειγμα της παρεμβολής ή του κέρδους του καναλιού όχι μόνο ως προς το χρόνο αλλά και ως προς το χώρο. Για παράδειγμα, στα γνωστικά συστήματα η χαρτογράφηση του καναλιού δίνει τη δυνατότητα στους δευτερεύοντες χρήστες ανά πάσα στιγμή να γνωρίζουν το πιθανό κανάλι επικοινωνίας προς όλα τα σημεία του χώρου που μελετούμε. Κάτι τέτοιο, λόγω της ιδιαιτερότητας αυτού του συστήματος, μπορεί να δώσει πολύτιμες πληροφορίες για τον τρόπο με τον οποίο μπορούν να εκπέμψουν οι δευτερεύοντες χρήστες έτσι ώστε να μην παρεμβάλλονται στην μετάδοση των κύριων χρηστών. Οι εργασίες που σχετίζονται με τα γνωστικά συστήματα μέχρι τώρα είχαν ως στόχο την μελέτη είτε της επισκίασης είτε της παρεμβολής που μετριέται σε ένα σημείο του χώρου. Στα πλαίσια της παρούσας διπλωματικής εργασίας, στόχος μας ήταν η μελέτη της μακροπρόθεσμης πρόβλεψης (long range prediction) ενός καναλιού σε ένα δίκτυο κινούμενων γνωστικών χρηστών, κάτι το οποίο δεν έχει μελετηθεί έως τώρα. Με τον όρο μακροπρόθεσμη πρόβλεψη καναλιού αναφερόμαστε στην εκτίμηση του καναλιού σε κάποια επόμενη χρονική στιγμή. Δεδομένου ότι το κανάλι επηρεάζεται τόσο από φαινόμενα μικρής όσο και από ευρείας κλίμακας στρέψαμε το ενδιαφέρον μας σε ένα ενοποιημένο μοντέλο καναλιού που περιλαμβάνει και τα δύο είδη εξασθένησης. Αυτή η μακροπρόθεσμη πρόβλεψη του χρονικά μεταβαλλόμενου καναλιού αποσκοπεί στην χαρτογράφηση των διαθέσιμων καναλιών στο χώρο αλλά και στο χρόνο, πληροφορία που μπορεί να φανεί πολύ χρήσιμη σε διάφορες εφαρμογές όπως αυτή της δρομολόγησης πακέτων πληροφορίας σε ένα δίκτυο, ή της κατανομής ενέργειας στα γνωστικά και σε άλλα ασύρματα συστήματα. Πιο συγκεκριμένα, στο κεφάλαιο 1, θα αναφερθούμε στις νέες τάσεις που ακολουθούνται στις ασύρματες επικοινωνίες. Αρχικά θα αναφερθούμε στις συνεργατικές επικοινωνίες και τις λεγόμενες συντονισμένες μεταδόσεις πολλαπλών σημείων ενώ στην συνέχεια θα επικεντρωθούμε στα γνωστικά δίκτυα και τις λειτουργίες που επιτελούν. Στο κεφάλαιο 2 θα περιγράψουμε με λεπτομέρεια τους μηχανισμούς διάδοσης των ηλεκρομαγνητικών κυμάτων και τα δύο βασικά είδη εξασθένησης που παραμορφώνουν το λαμβανόμενο σήμα στον δέκτη. Στη συνέχεια του κεφαλαίου αυτού θα περιγράψουμε διάφορα μοντέλα που περιγράφουν τα δύο είδη εξασθένησης και τέλος, θα παρουσιάσουμε ένα μοντέλο που τα συνδυάζει. Στο κεφάλαιο 3, θα παρουσιάσουμε ένα ενοποιημένο μοντέλο το οποίο συμπεριλαμβάνει τόσο τα μικρής όσο και τα μεγάλης κλίμακας φαινόμενα το οποίο θα υιοθετήσουμε στην συνέχεια στην πειρματική μας διαδικασία. Επιπλέον, θα παρουσιάσουμε τους λόγους για τους οποίους στρέψαμε την προσοχή μας στο εν λόγω θέμα. Στο κεφάλαιο 4 θα αναφερθούμε στην έννοια της χαρτογράφησης ενός φαινομένου σε ένα γνωστικό σύστημα και στην τρέχουσα βιβλιογραφία. Πιο συγκεκριμένα, θα κάνουμε μία ιστορική αναδρομή της χρήσης της χαρτογράφησης στα γνωστικά συστήματα. Ξεκινώντας από την χαρτογράφηση της παρεμβολής σε ένα δίκτυο και την χαρτογράφηση του φάσματος, θα επικεντρωθούμε στην χαρτογράφηση των φαινομένων ευρείας κλίμακας και ειδικά στην χαρτογράφηση της επισκίασης. Στο κεφάλαιο 5 θα μελετήσουμε την έννοια της εκτίμησης και παρακολούθησης καναλιού και θα επικεντρωθούμε σε παραμετρικά κανάλια. Στο τέλος του κεφαλαίου, θα διευρύνουμε την παρακολούθηση ενός καναλιού με την διαδικασία της μακροπρόθεσμης πρόβλεψης του κέρδους του καναλιού. Αυτή η επιπλέον γνώση της μακροπρόθεσμης πρόβλεψης σε συνδυασμό με διαδικασίες χωρικής παρεμβολής σε ένα γνωστικό σύστημα μπορεί να βελτιώσει πολύ τις συνθήκες μετάδοσης. Λόγω της ιδιαιτερότητας που παρουσιάζουν τα εν λόγω συστήματα κάθε επιπλέον μακροπρόθεσμη πληροφορία της κατάστασης του δικτύου μπορεί να βοηθήσει σε σημαντικές αποφάσεις κατανομής ισχύος ή μετάδοσης ώστε να ελαχιστοποιηθεί η παρεμβολή προς τους κύριους χρήστες. Στο κεφάλαιο 6 θα περιγράψουμε με λεπτομέρεια το πρόβλημα μακροπρόθεσμης πρόβλεψης με το οποίο ασχοληθήκαμε και θα παρουσιάσουμε μία σειρά από πειραματικά αποτελέσματα που σχετίζονται με την ποιότητα της πρόβλεψης του καναλιού κάτω από διαφορετικές συνθήκες. Τέλος, στο κεφάλαιο 7 θα αναφερθούμε στα συμπεράσματα που προέκυψαν από την συγκεκριμένη διπλωματική εργασία καθώς και σε κάποιες μελλοντικές κατευθύνσεις που παρουσιάζουν ιδιαίτερο ενδιαφέρον. Οι κατευθύνσεις αυτές σχετίζονται τόσο για το συγκεκριμένο αλγόριθμο που χρησιμοποιήσαμε όσο και με πιθανές εφαρμογές του. / In recent years, the use of wireless communication systems has rapidly increased along with the demand for more resource hungry applications. To support such demands, the research community has been focusing into new more efficient and more flexible communications techniques and systems. To this end, the so-called cognitive radio systems are of particular interest. In a cognitive system, the participating communication nodes are able of understanding the special characteristics of the surrounding environment and adjust, accordingly, their transmission parameters in order to achieve a reliable level of communication. An identifying element of such systems is the co-existence of two kinds of users, i.e. the primary and the secondary ones. The first are licensed users of a specific transmission band as opposed to the second, who are not licensed to use such a band, however under certain constraints and conditions they are allowed to. Their transmission is performed in an appropriate manner so as not to interfere with the primary users. Currently, there is an active research interest in the so-called cartography of certain phenomena that occur in the wireless medium used by systems like the cognitive ones. Specifically, the term cartography is used for the study of a phenomenon such as the gain of channel through time and space for any pair of points in a given region. This information could, for example, support the decision making procedure of a secondary user related to the selection of a transmission band to use for transmission, reducing in this way the produced interference level. The research efforts, so far, has been focusing on the cartography of either the shadowing phenomenon or the interference that is present at a particular point at space. In this master thesis, the main target is the study of long-range channel prediction algorithms in a cognitive network of mobile users that take into account both small and large scale fading. The phrase “long-range channel prediction” refers to the process of predict the value of the channel at a future time instant. In order to capture the twofold nature to fading, i.e. small and large scale one, a unifying channel model is adopted. This operation and the predicted information aim at providing the necessary tools in order to map the available channels into space as well as time. This information can be valuable in numerous applications such as routing of data packets and resource allocation. In more detail, chapter 1 is an introduction to wireless communications focusing on their history and the new directions that look to the future. Specifically, a description will be provided for the evolution of cellular and ad hoc wireless networks along with three new tendencies, i.e. cooperative communications, coordinated multipoint or transmissions and cognitive networks. In chapter 2, an introduction of the wireless medium for transmitting communications signals is presented. Specifically, at first, the propagation mechanisms of electromagnetic waves along with their two main sources of fading that distort signals will be provided. Then, appropriate models for the fading sources will be described which are useful for developing and evaluating communications algorithms. A unified model that incorporates both small and large-scale fading is presented in chapter 3. This model will be used later in this thesis during the experimental analysis. Moreover, a motivation of looking into this direction will be provided. In chapter 4, a bibliographic presentation of cartography will be presented. The chapter will start with a historical review of chartography. First, the focus will be on the mapping of interference and spectrum usage. Then, the focus will shift towards the mapping of large scale phenonena, especially, the mapping of shadowing. The estimation/tracking and prediction of wireless channels will be the main focus of chapter 5. Parametric channels and associated algorithms will be presented. Moreover, a long rage prediction algorithm, that is studied in this thesis, will be described in detail. This additional information combined with spatial interpolation techniques can, in general, be used to improve the transmission conditions in a cognitive system. This information, in such systems, can assist in decision making procedures related to power allocations and transmissions, so as to mitigate the interference among the users. The aforementioned synthesized channel model along with the long rage prediction problem that is studied in this thesis will be evaluated in chapter 6. In this chapter, exhaustive simulations have been conducted targeting the prediction performance under different propagation conditions. Finally, in chapter 7, the main conclusions drawn in this thesis along with some future research directions will be provided. The directions are related both with the specific algorithm that was studied and some possible applications.

Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός Συστήματος Υποστήριξης Αποφάσεων βασισμένο στα Ασαφή Γνωστικά Δίκτυα, το οποίο θα μπορεί να χρησιμοποιηθεί στον ιατρικό τομέα για τη διάγνωση ασθενειών και πιο συγκεκριμένα της νόσου του Parkinson. Αρχικά θα γίνει περιγραφή των Ασαφών Γνωστικών Δικτύων αλλά και του τρόπου υλοποίησης ενός Συστήματος Υποστήριξης Αποφάσεων για τη διάγνωση της νόσου του Parkinson. Στη συνέχεια θα γίνει πείραμα με στόχο να διαγνωσθεί το στάδιο, στο οποίο βρίσκονται τρεις ασθενείς. Αυτή η διάγνωση θα γίνει με δύο διαφορετικούς τρόπους. Τέλος θα συγκριθούν και θα αναλυθούν τα πειραματικά αποτελέσματα καθώς και τα συμπεράσματα που προκύπτουν από μία τέτοια έρευνα. / The purpose of this diploma thesis is to develop a Decision Support System based on Fuzzy Cognitive Maps. This system can be used in medicine in order to diagnose diseases, and more specifically Parkinson’s disease. After that three patients will be examined and the system will diagnose the stage of their disease. This diagnose will be achieved in two different ways. Finally we will compare and analyze the experimental results and the conclusions derived from such research.

Αντικείµενο της διατριβής είναι η ανάπτυξη νέων µεθοδολογιών εκµάθησης και σύγκλισης των Ασαφών Γνωστικών ∆ικτύων που προτείνονται για τη βελτίωση και προσαρµογή της συµπεριφοράς τους, καθώς και για την αύξηση της απόδοσής τους, αναδεικνύοντάς τα σε αποτελεσµατικά δυναµικά συστήµατα µοντελοποίησης. Τα νέα βελτιωµένα Ασαφή Γνωστικά ∆ίκτυα, µέσω της εκµάθησης και προσαρµογής των βαρών τους, έχουν χρησιµοποιηθεί στην ιατρική σε θέµατα διάγνωσης και υποστήριξης στη λήψη απόφασης, καθώς και σε µοντέλα βιοµηχανικών συστηµάτων που αφορούν τον έλεγχο διαδικασιών, µε πολύ ικανοποιητικά αποτελέσµατα. Στη διατριβή αυτή παρουσιάζονται, αξιολογούνται και εφαρµόζονται δύο νέοι αλγόριθµοι εκµάθησης χωρίς επίβλεψη των Ασαφών Γνωστικών ∆ικτύων, οι αλγόριθµοι Active Hebbian Learning (AHL) και Nonlinear Hebbian Learning (NHL), βασισµένοι στον κλασσικό αλγόριθµό εκµάθησης χωρίς επίβλεψη τύπου Hebb των νευρωνικών δικτύων, καθώς και µια νέα προσέγγιση εκµάθησης των Ασαφών Γνωστικών ∆ικτύων βασισµένη στους εξελικτικούς αλγορίθµους και πιο συγκεκριµένα στον αλγόριθµο Βελτιστοποίησης µε Σµήνος Σωµατιδίων και στον ∆ιαφοροεξελικτικό αλγόριθµο. Οι προτεινόµενοι αλγόριθµοι AHL και NHL στηρίζουν νέες µεθοδολογίες εκµάθησης για τα ΑΓ∆ που βελτιώνουν τη λειτουργία, και την αξιοπιστία τους, και που παρέχουν στους εµπειρογνώµονες του εκάστοτε προβλήµατος που αναπτύσσουν το ΑΓ∆, την εκµάθηση των παραµέτρων για τη ρύθµιση των αιτιατών διασυνδέσεων µεταξύ των κόµβων. Αυτοί οι τύποι εκµάθησης που συνοδεύονται από την σωστή γνώση του εκάστοτε προβλήµατος-συστήµατος, συµβάλλουν στην αύξηση της απόδοσης των ΑΓ∆ και διευρύνουν τη χρήση τους. Επιπρόσθετα µε τους αλγορίθµους εκµάθησης χωρίς επίβλεψη τύπου Hebb για τα ΑΓ∆, αναπτύσσονται και προτείνονται νέες τεχνικές εκµάθησης των ΑΓ∆ βασισµένες στους εξελικτικούς αλγορίθµους. Πιο συγκεκριµένα, προτείνεται µια νέα µεθοδολογία για την εφαρµογή του εξελικτικού αλγορίθµου Βελτιστοποίησης µε Σµήνος Σωµατιδίων στην εκµάθηση των Ασαφών Γνωστικών ∆ικτύων και πιο συγκεκριµένα στον καθορισµό των βέλτιστων περιοχών τιµών των βαρών των Ασαφών Γνωστικών ∆ικτύων. Με τη µεθοδο αυτή λαµβάνεται υπόψη η γνώση των εµπειρογνωµόνων για τον σχεδιασµό του µοντέλου µε τη µορφή περιορισµών στους κόµβους που µας ενδιαφέρουν οι τιµές των καταστάσεών τους, που έχουν οριστοί ως κόµβοι έξοδοι του συστήµατος, και για τα βάρη λαµβάνονται υπόψη οι περιοχές των ασαφών συνόλων που έχουν συµφωνήσει όλοι οι εµπειρογνώµονες. Έτσι θέτoντας περιορισµούς σε όλα τα βάρη και στους κόµβους εξόδου και καθορίζοντας µια κατάλληλη αντικειµενική συνάρτηση για το εκάστοτε πρόβληµα, προκύπτουν κατάλληλοι πίνακες βαρών (appropriate weight matrices) που µπορούν να οδηγήσουν το σύστηµα σε επιθυµητές περιοχές λειτουργίας και ταυτόχρονα να ικανοποιούν τις ειδικές συνθήκες- περιορισµούς του προβλήµατος. Οι δύο νέες µέθοδοι εκµάθησης χωρίς επίβλεψη που έχουν προταθεί για τα ΑΓ∆ χρησιµοποιούνται και εφαρµόζονται µε επιτυχία σε δυο πολύπλοκα προβλήµατα από το χώρο της ιατρικής, στο πρόβληµα λήψης απόφασης στην ακτινοθεραπεία και στο πρόβληµα κατηγοριοποίησης των καρκινικών όγκων της ουροδόχου κύστης σε πραγµατικές κλινικές περιπτώσεις. Επίσης όλοι οι προτεινόµενοι αλγόριθµοι εφαρµόζονται σε µοντέλα βιοµηχανικών συστηµάτων που αφορούν τον έλεγχο διαδικασιών µε πολύ ικανοποιητικά αποτελέσµατα. Οι αλγόριθµοι αυτοί, όπως προκύπτει από την εφαρµογή τους σε συγκεκριµένα προβλήµατα, βελτιώνουν το µοντέλο του ΑΓ∆, συµβάλλουν σε ευφυέστερα συστήµατα και διευρύνουν τη δυνατότητα εφαρµογής τους σε πραγµατικά και πολύπλοκα προβλήµατα. Η κύρια συνεισφορά αυτής της διατριβής είναι η ανάπτυξη νέων µεθοδολογιών εκµάθησης και σύγκλισης των Ασαφών Γνωστικών ∆ικτύων προτείνοντας δυο νέους αλγορίθµους µη επιβλεπόµενης µάθησης τύπου Hebb, τον αλγόριθµο Active Hebbian Learning και τον αλγόριθµο Nonlinear Hebbian Learning για την προσαρµογή των βαρών των διασυνδέσεων µεταξύ των κόµβων των Ασαφών Γνωστικών ∆ικτύων, καθώς και εξελικτικούς αλγορίθµους βελτιστοποιώντας συγκεκριµένες αντικειµενικές συναρτήσεις για κάθε εξεταζόµενο πρόβληµα. Τα νέα βελτιωµένα Ασαφή Γνωστικά ∆ίκτυα µέσω των αλγορίθµων προσαρµογής των βαρών τους έχουν χρησιµοποιηθεί για την ανάπτυξη ενός ∆ιεπίπεδου Ιεραρχικού Συστήµατος για την υποστήριξη λήψης απόφασης στην ακτινοθεραπεία, για την ανάπτυξη ενός διαγνωστικού εργαλείου για την κατηγοριοποίηση του βαθµού κακοήθειας των καρκινικών όγκων της ουροδόχου κύστης, καθώς και για την επίλυση βιοµηχανικών προβληµάτων για τον έλεγχο διαδικασιών. / The main contribution of this Dissertation is the development of new learning and convergence methodologies for Fuzzy Cognitive Maps that are proposed for the improvement and adaptation of their behaviour, as well as for the increase of their performance, electing them in effective dynamic systems of modelling. The new improved Fuzzy Cognitive Maps, via the learning and adaptation of their weights, have been used in medicine for diagnosis and decision-making, as well as to alleviate the problem of the potential uncontrollable convergence to undesired states in models of industrial process control systems, with very satisfactory results. In this Dissertation are presented, validated and implemented two new learning algorithms without supervision for Fuzzy Cognitive Maps, the algorithms Active Hebbian Learning (AHL) and Nonlinear Hebbian Learning (NHL), based on the classic unsupervised Hebb-type learning algorithm of neural networks, as well as a new approach of learning for Fuzzy Cognitive Maps based on the evolutionary algorithms and more specifically on the algorithm of Particles Swarm Optimization and on the Differential Evolution algorithm. The proposed algorithms AHL and NHL support new learning methodologies for FCMs that improve their operation, efficiency and reliability, and that provide in the experts of each problem that develop the FCM, the learning of parameters for the regulation (fine-tuning) of cause-effect relationships (weights) between the concepts. These types of learning that are accompanied with the right knowledge of each problem-system, contribute in the increase of performance of FCMs and extend their use. Additionally to the unsupervised learning algorithms of Hebb-type for the FCMs, are developed and proposed new learning techniques of FCMs based on the evolutionary algorithms. More specifically, it is proposed a new learning methodology for the application of evolutionary algorithm of Particle Swarm Optimisation in the adaptation of FCMs and more concretely in the determination of the optimal regions of weight values of FCMs. With this method it is taken into consideration the experts’ knowledge for the modelling with the form of restrictions in the concepts that interest us their values, and are defined as output concepts, and for weights are received the arithmetic values of the fuzzy regions that have agreed all the experts. Thus considering restrictions in all weights and in the output concepts and determining a suitable objective function for each problem, result appropriate weight matrices that can lead the system to desirable regions of operation and simultaneously satisfy specific conditions of problem. The first two proposed methods of unsupervised learning that have been suggested for the FCMs are used and applied with success in two complicated problems in medicine, in the problem of decision-making in the radiotherapy process and in the problem of tumor characterization for urinary bladder in real clinical cases. Also all the proposed algorithms are applied in models of industrial systems that concern the control of processes with very satisfactory results. These algorithms, as it results from their application in concrete problems, improve the model of FCMs, they contribute in more intelligent systems and they extend their possibility of application in real and complex problems. The main contribution of the present Dissertation is to develop new learning and convergence methodologies for Fuzzy Cognitive Maps proposing two new unsupervised learning algorithms, the algorithm Active Hebbian Learning and the algorithm Nonlinear Hebbian Learning for the adaptation of weights of the interconnections between the concepts of Fuzzy Cognitive Maps, as well as Evolutionary Algorithms optimizing concrete objective functions for each examined problem. New improved Fuzzy Cognitive Maps via the algorithms of weight adaptation have been used for the development of an Integrated Two-level hierarchical System for the support of decision-making in the radiotherapy, for the development of a new diagnostic tool for tumour characterization of urinary bladder, as well as for the solution of industrial process control problems.