Τα σύγχρονα τηλεπικοινωνιακά συστήματα, καθώς επίσης και οι επόμενες γενιές τους, πρέπει να προσαρμόζονται για να υποστηρίζουν ένα μεγάλο αριθμό από υπηρεσίες με διαφορετικές απαιτήσεις ποιότητας. Για παράδειγμα, στα κυψελικά συστήματα, οι κυψέλες μικραίνουν σε μέγεθος και αυξάνονται σε πλήθος για να υποστηρίζουν ένα συνεχώς αυξανόμενο πλήθος χρηστών. Επίσης, σε μια άλλη κατεύθυνση, τα δίκτυα αισθητήρων αποτελούνται από μικρές συσκευές που εισάγουν περιορισμούς μεγέϑους, ενέργειας και επεξεργαστικής ισχύος. Αυτά τα δυο παραδείγματα επιδεικνύου τόσο την αυξανόμενη πολυπλοκότητα των τηλεπικοινωνιακών συστημάτων όσο και τις ιδιαίτερες απαιτήσεις που υπάρχουν στους μεμονωμένους κόμβους τους. Τα τηλεπικοινωνιακά συστήματα πολλαπλών εισόδων και εξόδων έχουν την δυνατότητα να προσφέρουν αυξημένη χωρητικότητα και αξιοπιστία στην μετάδοση δεδομένων μέσω της έννοιας της χωρικής ποικιλομορφίας (space diversity). Συγκεκριμένα, αυτό επιτυγχάνεται με την μετάδοση της ζητούμενης πληροφορίας μέσω ενός αριθμού από διαφορετικά χωρικά μονοπάτια τα οποία δημιουργούνται από την ύπαρξη πολλαπλών κεραιών στον πομπό ή/και στον δέκτη. Ωστόσο, η προαναφερόμενη πολυπλοκότητα στα τηλεπικοινωνιακά συστήματα και οι ιδιαίτερες απαιτήσεις των κόμβων έχουν ως αποτέλεσμα να μην επαρκούν οι τεχνικές που έχουν αναπτυχθεί. Μια πιθανή διέξοδο έρχεται να δώσει η ιδέα της συνεργασίας. Η έννοια της συνεργασίας έχει διάφορες οπτικές γωνίες σε ένα τηλεπικοινωνιακό σύστημα. Πρώτον, αν οι συσκευές δεν μπορούν να υποστηρίξουν πολλαπλές κεραίες (π.χ. λόγω μεγέϑους όπως στα δίκτυα αισθητήρων και στα κινητά τηλέφωνα), σίγουρα μπορούν να συνεργαστούν ώστε με έναν κατανεμημένο τρόπο να προσφέρουν σε επίπεδο συστήματος τα απαραίτητα διαφορετικά χωρικά μονοπάτια. Δεύτερον, ακόμη και αν είναι δυνατή η χρήση πολλαπλών κεραιών σε κάποιον κόμβο ενός δικτύου, π.χ. σε σταθμούς ϐάσης κυψελικών συστημάτων, ο αριθμός τους μπορεί απλώς να μην αρκεί λόγω της αυξημένης πολυπλοκότητας και του μεγέθους του δικτύου. Η κατάλληλη χρήση συνεργατικών κόμβων μπορεί να δώσει επίσης λύση στον εν λόγω περιορισμό.Η παρούσα διδακτορική διατριβή ϑα ϐασιστεί πάνω σε συνεργατικά συστήματα υπό την πρώτη οπτική γωνία που παρουσιάστηκε παραπάνω. Συγκεκριμένα, ϑα ϑεωϱηθεί ένα συνεργατικό δίκτυο με τρεις κόμβους, δηλαδή μια πηγή, έναν αναμεταδότη και έναν προορισμό. ϑα μελετηθούν τεχνικές εκτίμησης των καναλιών που συμμετέχουν στην μετάδοση της πληροφορίας αναδεικνύοντας τα ϐασικά χαρακτηριστικά που εισάγει η έννοια της συνεργασίας στις εν λόγω τεχνικές. Επίσης, ϑα παρουσιαστούν υλοποιήσεις διαφόρων συνεργατικών πρωτοκόλλων μετάδοσης σε ένα πραγματικό τηλεπικοινωνιακό σύστημα προσφέροντας έτσι την απαραίτητη πρακτική διαίσθηση πίσω από αυτά τα συστήματα. Συγκεκριμένα, αφού παρουσιαστούν κάποιες ϐασικές έννοιες για τις συνεργατικές επικοινωνίες και την λειτουργία της εκτίμησης καναλιών, ϑα μελετηθεί το πρόβλημα εκτίμησης με μερική επίβλεψη σε σχέση με το μοντέλο του συνεργατικού συστήματος που ϑεωρήθηκε. Προτείνονται εναλλακτικά σχήματα για την υλοποίηση του εκτιμητή καθώς επίσης και ένας απλός σχεδιασμός της ακολουθίας συμβόλων που υποβοηθάει το εφαρμοζόμενο κριτήριο ετεροσυσχέτισης. ΄Ολες οι έννοιες που παρουσιάζονται σε αυτό το κεφάλαιο υποστηρίζονται με πειραματικά και ημιαναλυτικά επιχειρήματα. Στην συνέχεια, παρουσιάζεται το πρόβλημα σχεδιασμού της κατανομής ενέργειας σε σύμβολα εκμάθησης για την εκτίμηση συσχετισμένων καναλιών. Αφού περιγραφεί το προς μελέτη πρόβλημα, ϑα επικεντρωθούμε στο κριτήριο ελαχίστων τετραγώνων για το οποίο παρουσιάζονται η ϐέλτιστη και τρεις υποβέλτιστες λύσεις που συνοδεύονται από χρήσιμα συμπεράσματα και παρατηρήσεις. ΄Επειτα, μελετάται το κριτήριο ελάχιστου μέσου τετραγωνικού σφάλματος για δυο περιπτώσεις. Στην πρώτη, παρουσιάζεται μια ανάλυση χειρότερης περίπτωσης και γίνεται η σύνδεση των λύσεων του προβλήματος με τις λύσεις του προηγούμενου κριτηρίου. Επίσης, υπό την υπόθεση των καναλιών χωρίς συσχέτιση, παρουσιάζεται η ϐέλτιστη λύση για τον σχεδιασμό της ακολουθίας των συμβόλων εκμάθησης. Στην τρίτη κατεύθυνση, ϑα παρουσιαστεί αρχικά το σύστημα στο οποίο ϑα υλοποιηθούν και εκτελεστούν τα πρωτόκολλα συνεργατικής επικοινωνίας. Στην συνέχεια, παρουσιάζονται τα εν λόγω σχήματα και το κεφάλαιο καταλήγει με την πειραματική διαδικασία, την παρουσίαση και αξιολόγηση των αποτελεσμάτων καθώς και την εξαγωγή χρήσιμων συμπερασμάτων. Στο τέλος της διατριβής περιγράφονται συνοπτικά τα ϐασικά συμπεράσματα που έχουν προκύψει και παρουσιάζονται κάποιες ενδιαφέρουσες νέες κατευθύνσεις. / Contemporary communication systems, as well as their next generations, are expected to adapt to a rapidly increasing number of desired applications and quality of service levels. For example, in cellular systems, the cells are getting smaller in size and larger in numbers in order to support the increasing number of users. Also, towards another direction, wireless sensor network consist of small devices that comply with stringent constraints such as size, consumed energy and computational power. These examples demonstrate both the high complexity of communication networks and the specific requirements that exist in individual communication nodes. Multiple input multiple output systems are capable of offering high capacity and reliable data communications utilizing the notion of spatial diversity. This is achieved by transmitting the desired information through different spatial paths that are created because of multiple antennas at the transmitter and/or the receiver side. However, the aforementioned complexity of communication networks and the specific requirements of the nodes have as a result that currently proposed techniques, for such systems, are inadequate. A possible solution to this dead end is the idea of cooperation. Cooperation has several aspects in a communication system. Firstly, if the nodes cannot support multiple antennas (e.g. due to size restriction as in sensor networks and mobile phones), they can cooperate in order to provide, in a distributed manner, the desired spatial paths. Secondly, even if multiple antennas can be used, as in base stations, their number might not be good enough because of the increased complexity and size of the network. The appropriate use of cooperative nodes can provide a solution to this problem, too. This dissertation has been focused on cooperative systems that are viewed according to the first aspect. Specifically, it has been assumed that the cooperative network consists of three nodes, a source, a relay and a destination. On this network, channel estimation techniques have been studied pointing out the main characteristics that are inherent to cooperation. Moreover, test-bed implementations have been provided for several well known cooperative schemes and protocols pointing out the practical aspects of such systems. In more detail, after the presentation of some introductory notions on cooperation and channel estimation, a semi-blind technique has been studied that is based on the so called cross-relation criterion. Two alternative schemes for constructing the channel estimator have been proposed as well as a simple training design procedure for improving the estimation performance has been devised. The results that have been produced are supported by semi analytic arguments and computer simulations. Then, a training design problem has been studied for a training based channel estimator. The design has been focused on the energy allocation of training symbols under the assumption that channel taps are correlated. After the description of the problem, the least squares criterion has been utilized and the optimal solution, along with three suboptimal ones, has been presented and useful conclusions have been drawn. Also, the problem has been studied under the minimum mean square error criterion for two cases. In the first one, a worst case analysis has been presented. There, a connection to the least squares solution was provided. In the second case, relaxing the assumption of correlated channel taps, the optimal solution has been presented. In the third direction, a number of well known protocols have been implemented in a test-bed system. A measurement campaign has been conducted to acquire the bit error performance and the computational complexity of the protocols. The protocols have been compared according to three different metrics and useful insights have been identified. The dissertation is concluded with a brief presentation of the main points that have been raised in the aforementioned directions. Moreover, new interesting research directions have been provided.

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.