Στο κεφάλαιο 1 παρουσιάζεται μία γενική επισκόπηση της αυτόματης αναγνώρισης γενικευμένων ακουστικών γεγονότων. Επιπλέον συζητάμε τις εφαρμογές της τεχνολογίας αναγνώρισης ακουστικού σήματος και δίνουμε μία σύντομη περιγραφή του state of the art. Τέλος, αναφέρουμε τη συνεισφορά της διατριβής. Στο κεφάλαιο 2 εισάγουμε τον αναγνώστη στο χώρο της επεξεργασίας ακουστικών σημάτων που δε περιλαμβάνουν ομιλία. Παρουσιάζονται οι σύγχρονες προσεγγίσεις όσον αφορά στις μεθοδολογίες εξαγωγής χαρακτηριστικών και αναγνώρισης προτύπων. Στο κεφάλαιο 3 προτείνεται ένα καινοτόμο σύστημα αναγνώρισης ήχων ειδικά σχεδιασμένο για το χώρο των ηχητικών γεγονότων αστικού περιβάλλοντος και αναλύεται ο σχεδιασμός της αντίστοιχης βάσης δεδομένων. Δημιουργήθηκε μία ιεραρχική πιθανοτική δομή μαζί με δύο ομάδες ακουστικών παραμέτρων που οδηγούν σε υψηλή ακρίβεια αναγνώρισης. Στο κεφάλαιο 4 ερευνάται η χρήση της τεχνικής πολλαπλών αναλύσεων όπως εφαρμόζεται στο πρόβλημα της διάκρισης ομιλίας/μουσικής. Στη συνέχεια η τεχνική αυτή χρησιμοποιήθηκε για τη δημιουργία ενός συστήματος το οποίο συνδυάζει χαρακτηριστικά από διαφορετικά πεδία με στόχο την αποδοτική ανάλυση online ραδιοφωνικών σημάτων. Στο κεφάλαιο 5 προτείνεται ένα σύστημα το οποίο εντοπίζει μη-τυπικές καταστάσεις σε περιβάλλον σταθμού μετρό με στόχο να βοηθήσει το εξουσιοδοτημένο προσωπικό στην συνεχή επίβλεψη του χώρου. Στο κεφάλαιο 6 προτείνεται ένα προσαρμοζόμενο σύστημα για ακουστική παρακολούθηση εν δυνάμει καταστροφικών καταστάσεων ικανό να λειτουργεί κάτω από διαφορετικά περιβάλλοντα. Δείχνουμε ότι το σύστημα επιτυγχάνει υψηλή απόδοση και μπορεί να προσαρμόζεται αυτόνομα σε ετερογενείς ακουστικές συνθήκες. Στο κεφάλαιο 7 ερευνάται η χρήση της μεθόδου ανίχνευσης καινοτομίας για ακουστική επόπτευση κλειστών και ανοιχτών χώρων. Ηχογραφήθηκε μία βάση δεδομένων πραγματικού κόσμου και προτείνονται τρεις πιθανοτικές τεχνικές. Στο κεφάλαιο 8 παρουσιάζεται μία καινοτόμα μεθοδολογία για αναγνώριση γενικευμένου ακουστικού σήματος που οδηγεί σε υψηλή ακρίβεια αναγνώρισης. Εκμεταλλευόμαστε τα πλεονεκτήματα της χρονικής συγχώνευσης χαρακτηριστικών σε συνδυασμό με μία παραγωγική τεχνική κατηγοριοποίησης. / The dissertation is outlined as followed: In chapter 1 we present a general overview of the task of automatic recognition of sound events. Additionally we discuss the applications of the generalized audio signal recognition technology and we give a brief description of the state of the art. Finally we mention the contribution of the thesis. In chapter 2 we introduce the reader to the area of non speech audio processing. We provide the current trend in the feature extraction methodologies as well as the pattern recognition techniques. In chapter 3 we analyze a novel sound recognition system especially designed for addressing the domain of urban environmental sound events. A hierarchical probabilistic structure was constructed along with a combined set of sound parameters which lead to high accuracy. chapter 4 is divided in the following two parts: a) we explore the usage of multiresolution analysis as regards the speech/music discrimination problem and b) the previously acquired knowledge was used to build a system which combined features of different domains towards efficient analysis of online radio signals. In chapter 5 we exhaustively experiment on a new application of the sound recognition technology, space monitoring based on the acoustic modality. We propose a system which detects atypical situations under a metro station environment towards assisting the authorized personnel in the space monitoring task. In chapter 6 we propose an adaptive framework for acoustic surveillance of potentially hazardous situations under environments of different acoustic properties. We show that the system achieves high performance and has the ability to adapt to heterogeneous environments in an unsupervised way. In chapter 7 we investigate the usage of the novelty detection method to the task of acoustic monitoring of indoor and outdoor spaces. A database with real-world data was recorded and three probabilistic techniques are proposed. In chapter 8 we present a novel methodology for generalized sound recognition that leads to high recognition accuracy. The merits of temporal feature integration as well as multi domain descriptors are exploited in combination with a state of the art generative classification technique.

Η τεχνολογία των DNA μικροσυστοιχιών είναι μια υψηλής απόδοσης τεχνική που καθορίζει το κατά πόσο ένα κύτταρο μπορεί να ελέγξει, ταυτόχρονα, την έκφραση ενός πολύ μεγάλου αριθμού γονιδίων. Οι DNA μικροσυστοιχίες χρησιμοποιούνται για την παρακολούθηση και τον έλεγχο των αλλαγών που υφίστανται τα επίπεδα της γονιδιακής έκφρασης λόγω περιβαλλοντικών συνθηκών ή των αλλαγών που λαμβάνουν χώρα σε ασθενή κύτταρα σε σχέση με τα υγιή, χρησιμοποιώντας εξελιγμένες μεθόδους επεξεργασίας πληροφοριών. Εξαιτίας του τρόπου με τον οποίον παράγονται οι μικροσυστοιχίες, κατά την πειραματική επεξεργασία τους, εμφανίζεται ένας μεγάλος αριθμός διαδικασιών που εισάγουν σφάλματα, γεγονός που αναπόφευκτα οδηγεί στην δημιουργία υψηλού επιπέδου θορύβου και σε κατασκευαστικά προβλήματα στα προκύπτοντα δεδομένα. Κατά την διάρκεια των τελευταίων δεκαπέντε ετών, έχουν προταθεί από αρκετούς ερευνητές, πολλές και ικανές μέθοδοι που δίνουν λύσεις στο πρόβλημα της ενίσχυσης και της βελτίωσης των εικόνων μικροσυστοιχίας. Παρά το γεγονός της ευρείας ενασχόλησης των ερευνητών με τις μεθόδους επεξεργασίας των εικόνων μικροσυστοιχίας, η διαδικασία βελτίωσης τους αποτελεί ακόμη, ένα θέμα που προκαλεί ενδιαφέρον καθώς η ανάγκη για καλύτερα αποτελέσματα δεν έχει μειωθεί. Στόχος της διδακτορικής διατριβής είναι να συνεισφέρει σημαντικά στην προσπάθεια βελτίωσης των αποτελεσμάτων προτείνοντας μεθόδους ψηφιακής επεξεργασίας εικόνας που επιφέρουν βελτίωση της ποιότητας των εικόνων μέσω της μείωσης των συνιστωσών του θορύβου και της τεμαχιοποίησης της εικόνας. Πιο συγκεκριμένα, στα πλαίσια εκπόνησης της διατριβής παρουσιάζεται μια νέα αυτόματη μέθοδος εντοπισμού της θέσης των υπομικροσυστοιχιών σκοπός της οποίας είναι να καλυφθεί εν μέρει το κενό που υπάρχει στην βιβλιογραφία των μικροσυστοιχιών για το βήμα της προεπεξεργασίας που αφορά στην αυτόματη εύρεση της θέσης των υπομικροσυστοιχιών σε μια μικροσυστοιχία. Το βήμα αυτό της προεπεξεργασίας, σπανίως, λαμβάνεται υπόψιν καθώς στις περισσότερες εργασίες σχετικές με τις μικροσυστοιχίες, γίνεται μια αυθαίρετη υπόθεση ότι οι υπομικροσυστοιχίες έχουν με κάποιον τρόπο ήδη εντοπιστεί. Στα πραγματικά συστήματα αυτόματης ανάλυσης της εικόνας μικροσυστοιχίας, την αρχική εκτίμηση της θέσης των υπομικροσυστοιχιών, συνήθως, ακολουθεί η διόρθωση που πραγματοποιείται σε κάθε μια από τις θέσεις αυτές από τους χειριστές των συστημάτων. Η αυτοματοποίηση της εύρεσης θέσης των υπομικροσυστοιχιών οδηγεί σε πιο γρήγορους και ακριβείς υπολογισμούς που αφορούν στην πληροφορία που προσδιορίζεται από την εικόνα μικροσυστοιχίας. Στην συνέχεια της διατριβής, παρουσιάζεται μια συγκριτική μελέτη για την αποθορυβοποίηση των εικόνων μικροσυστοιχίας χρησιμοποιώντας τον μετασχηματισμό κυματιδίου και τα χωρικά φίλτρα ενώ επιπλέον με την βοήθεια τεχνικών της μαθηματικής μορφολογίας πραγματοποιείται δραστική μείωση του θορύβου που έχει την μορφή «αλάτι και πιπέρι». Τέλος, στα πλαίσια της εκπόνησης της διδακτορικής διατριβής, παρουσιάζεται μια μέθοδος κατάτμησης των περιοχών των spot των μικροσυστοιχιών, βασιζόμενη στον αλγόριθμο Random Walker. Κατά την πειραματική διαδικασία επιτυγχάνεται επιτυχής κατηγοριοποίηση των spot, ακόμα και στην περίπτωση εικόνων μικροσυστοιχίας με σοβαρά προβλήματα (θόρυβος, κατασκευαστικά λάθη, λάθη χειρισμού κατά την διαδικασία κατασκευής της μικροσυστοιχίας κ.α.), απαιτώντας σαν αρχική γνώση μόνο ένα μικρό αριθμό από εικονοστοιχεία προκειμένου να επιτευχθεί υψηλής ποιότητας κατάτμηση εικόνας. Τα πειραματικά αποτελέσματα συγκρίνονται ποιοτικά με αυτά που προκύπτουν με την εφαρμογή του μοντέλου κατάτμησης Chan-Vese το οποίο χρησιμοποιεί μια αρχική υπόθεση των συνόρων που υπάρχουν μεταξύ των ομάδων προς ταξινόμηση, αποδεικνύοντας ότι η ακρίβεια με την οποία η προτεινόμενη μέθοδος ταξινομεί τις περιοχές των spot στην σωστή κατηγορία σε μια μικροσυστοιχία, είναι σαφώς καλύτερη και πιο ακριβής. / DNA microarray technology is a high-throughput technique that determines how a cell can control the expression of large numbers of genes simultaneously. Microarrays are used to monitor changes in the expression levels of genes in response to changes in environmental conditions or in healthy versus diseased cells by using advanced information processing methods. Due to the nature of the acquisition process, microarray experiments involve a large number of error-prone procedures that lead to a high level of noise and structural problems in the resulting data. During the last fifteen years, robust methods have been proposed by many researchers resulting in several solutions for the enhancement of the microarray images. Though microarray image analysis has been elaborated quite enough, the enhancement process is still an intriguing issue as the need for even better results has not decreased. The goal of this PhD thesis is to significantly contribute to the above effort by proposing enhancing methods (denoising, segmentation) for the microarray image analysis. More specifically, a novel automated subgrid detection method is presented introducing a pre-processing step of the subgrid detection. This step is rarely taken into consideration as in most microarray enhancing methods it is arbitrarily assumed that the subgrids have been already identified. The automation of the subgrid detection leads to faster and more accurate information extraction from microarray images. Consequently, the PhD thesis presents a comparative denoising framework for microarray image denoising that includes wavelets and spatial filters while on the other hand uses mathematical morphology methods to reduce the “salt&pepper”-like noise in microarray images. Finally, a method for microarray spot segmentation is proposed, based on the Random Walker algorithm. During the experimental process, accurate spot segmentation is obtained even in case of relatively-high distorted images, using only an initial annotation for a small number of pixels for high-quality image segmentation. The experimental results are qualitatively compared to the Chan-Vese segmentation model, showing that the accuracy of the proposed microarray spot detection method is more accurate than the spot borders defined by the compared method.

The past 30 years have witnessed major developments in vibration based damage detection and identification, also collectively referred to as damage diagnosis. Moreover, the past 10 years have seen a rapid increase in the amount of research related to Structural Health Monitoring (SHM) as quantified by the significant escalation in papers published on this subject. Thus, the increased interest in this engineering field and its associated potential constitute the main motive for this thesis. The goal of the thesis is the development and introduction of novel advanced functional and sequential statistical time series methods for vibration based damage diagnosis and SHM. After the introduction of the first chapter, Chapter II provides an experimental assessment and comparison of vibration based statistical time series methods for Structural Health Monitoring (SHM) via their application on a lightweight aluminum truss structure and a laboratory scale aircraft skeleton structure. A concise overview of the main non-parametric and parametric methods is presented, including response-only and excitation-response schemes. Damage detection and identification are based on univariate (scalar) versions of the methods, while both scalar (univariate) and vector (multivariate) schemes are considered. The methods' effectiveness for both damage detection and identification is assessed via various test cases corresponding to different damage scenarios, multiple experiments and various sensor locations on the considered structures. The results of the chapter confirm the high potential and effectiveness of vibration based statistical time series methods for SHM. Chapter III investigates the identification of stochastic systems under multiple operating conditions via Vector-dependent Functionally Pooled (VFP) models. In many applications a system operates under a variety of operating conditions (for instance operating temperature, humidity, damage location, damage magnitude and so on) which affect its dynamics, with each condition kept constant for a single commission cycle. Typical examples include mechanical structures operating under different environmental conditions, aircrafts under different flight conditions (altitude, velocity etc.), structures under different structural health states (various damage locations and magnitudes). In this way, damage location and magnitude may be considered as parameters that affect the operating conditions and as a result the structural dynamics. This chapter's work is based on the novel Functional Pooling (FP) framework, which has been recently introduced by the Stochastic Mechanical Systems \& Automation (SMSA) group of the Mechanical Engineering and Aeronautics Department of University of Patras. The main characteristic of Functionally Pooled (FP) models is that their model parameters and innovations sequence depend functionally on the operating parameters, and are projected on appropriate functional subspaces spanned by mutually independent basis functions. Thus, the fourth chapter of the thesis addresses the problem of identifying a globally valid and parsimonious stochastic system model based on input-output data records obtained under a sample of operating conditions characterized by more than one parameters. Hence, models that include a vector characterization of the operating condition are postulated. The problem is tackled within the novel FP framework that postulates proper global discrete-time linear time series models of the ARX and ARMAX types, data pooling techniques, and statistical parameter estimation. Corresponding Vector-dependent Functionally Pooled (VFP) ARX and ARMAX models are postulated, and proper estimators of the Least Squares (LS), Maximum Likelihood (ML), and Prediction Error (PE) types are developed. Model structure estimation is achieved via customary criteria (Bayesian Information Criterion) and a novel Genetic Algorithm (GA) based procedure. The strong consistency of the VFP-ARX least squares and maximum likelihood estimators is established, while the effectiveness of the complete estimation and identification method is demonstrated via two Monte Carlo studies. Based on the postulated VFP parametrization a vibration based statistical time series method that is capable of effective damage detection, precise localization, and magnitude estimation within a unified stochastic framework is introduced in Chapter IV. The method constitutes an important generalization of the recently introduced Functional Model Based Method (FMBM) in that it allows, for the first time in the statistical time series methods context, for complete and precise damage localization on continuous structural topologies. More precisely, the proposed method can accurately localize damage anywhere on properly defined continuous topologies on the structure, instead of pre-defined specific locations. Estimator uncertainties are taken into account, and uncertainty ellipsoids are provided for the damage location and magnitude. To achieve its goal, the method is based on the extended class of Vector-dependent Functionally Pooled (VFP) models, which are characterized by parameters that depend on both damage magnitude and location, as well as on proper statistical estimation and decision making schemes. The method is validated and its effectiveness is experimentally assessed via its application to damage detection, precise localization, and magnitude estimation on a prototype GARTEUR-type laboratory scale aircraft skeleton structure. The damage scenarios considered consist of varying size small masses attached to various continuous topologies on the structure. The method is shown to achieve effective damage detection, precise localization, and magnitude estimation based on even a single pair of measured excitation-response signals. Chapter V presents the introduction and experimental assessment of a sequential statistical time series method for vibration based SHM capable of achieving effective, robust and early damage detection, identification and quantification under uncertainties. The method is based on a combination of binary and multihypothesis versions of the statistically optimal Sequential Probability Ratio Test (SPRT), which employs the residual sequences obtained through a stochastic time series model of the healthy structure. In this work the full list of properties and capabilities of the SPRT are for the first time presented and explored in the context of vibration based damage detection, identification and quantification. The method is shown to achieve effective and robust damage detection, identification and quantification based on predetermined statistical hypothesis sampling plans, which are both analytically and experimentally compared and assessed. The method's performance is determined a priori via the use of the analytical expressions of the Operating Characteristic (OC) and Average Sample Number (ASN) functions in combination with baseline data records, while it requires on average a minimum number of samples in order to reach a decision compared to most powerful Fixed Sample Size (FSS) tests. The effectiveness of the proposed method is validated and experimentally assessed via its application on a lightweight aluminum truss structure, while the obtained results for three distinct vibration measurement positions prove the method's ability to operate based even on a single pair of measured excitation-response signals. Finally, Chapter VI contains the concluding remarks and future perspectives of the thesis. / Κατά τη διάρκεια των τελευταίων 30 ετών έχει σημειωθεί σημαντική ανάπτυξη στο πεδίο της ανίχνευσης και αναγνώρισης βλαβών, το οποίο αναφέρεται συνολικά και σαν διάγνωση βλαβών. Επίσης, κατά την τελευταία δεκαετία έχει σημειωθεί σημαντική πρόοδος στον τομέα της παρακολούθησης της υγείας (δομικής ακεραιότητας) κατασκευών. Στόχος αυτής της διατριβής είναι η ανάπτυξη εξελιγμένων συναρτησιακών και επαναληπτικών μεθόδων χρονοσειρών για τη διάγνωση βλαβών και την παρακολούθηση της υγείας κατασκευών υπό ταλάντωση. Αρχικά γίνεται η πειραματική αποτίμηση και κριτική σύγκριση των σημαντικότερων στατιστικών μεθόδων χρονοσειρών επί τη βάσει της εφαρμογής τους σε πρότυπες εργαστηριακές κατασκευές. Εφαρμόζονται μη-παραμετρικές και παραμετρικές μέθοδοι που βασίζονται σε ταλαντωτικά σήματα διέγερσης και απόκρισης των κατασκευών. Στη συνέχεια αναπτύσσονται στοχαστικά συναρτησιακά μοντέλα για την στοχαστική αναγνώριση κατασκευών υπό πολλαπλές συνθήκες λειτουργίας. Τα μοντέλα αυτά χρησιμοποιούνται για την αναπαράσταση κατασκευών σε διάφορες καταστάσεις βλάβης (θέση και μέγεθος βλάβης), ώστε να είναι δυνατή η συνολική μοντελοποίσή τους για όλες τις συνθήκες λειτουργίας. Τα μοντέλα αυτά αποτελούν τη βάση στην οποία αναπτύσσεται μια συναρτησιακή μέθοδος η οποία είναι ικανή να αντιμετωπίσει συνολικά και ενιαία το πρόβλημα της ανίχνευσης, εντοπισμού και εκτίμησης βλαβών σε κατασκευές. Η πειραματική αποτίμηση της μεθόδου γίνεται με πολλαπλά πειράματα σε εργαστηριακό σκελετό αεροσκάφους. Στο τελευταίο κεφάλαιο της διατριβής προτείνεται μια καινοτόμος στατιστική επαναληπτική μέθοδο για την παρακολούθηση της υγείας κατασκευών. Η μέθοδος κρίνεται αποτελεσματική υπό καθεστώς λειτουργικών αβεβαιοτήτων, καθώς χρησιμοποιεί επαναληπτικά και στατιστικά τεστ πολλαπλών υποθέσεων. Η αποτίμηση της μεθόδου γίνεται με πολλαπλά εργαστηριακά πειράματα, ενώ η μέθοδος κρίνεται ικανή να λειτουργήσει με τη χρήση ενός ζεύγους ταλαντωτικών σημάτων διέγερσης-απόκρισης.