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.

The Aerosol Mass Spectroscopy (AMS) is a recently developed method that provides on-line measurements of the chemical composition, mass spectrum and mass distributions of the atmospheric aerosol. Using the AMS with a thermodenuder in smog chamber experiments of ozonolysis of α-pinene, β-pinene and limonene, the mass spectrum of the secondary organic aerosols (SOA) is deconvoluted in low, medium and high volatility mass spectra. The spectrum of the surrogate component with the lower volatility for α-pinene and β-pinene is quite similar to that of ambient oxygenated organic aerosol (OOA). This could explain part of the difference between the AMS mass spectrum in the lab and the field. Combining an AMS and a Scanning Mobility Particle Sizer (SMPS) in smog chamber experiments of α-pinene, β-pinene and limonene ozonolysis, the density of the SOA is calculated and estimated between 1.4 and 1.65 g cm-3. This high density implies that the SOA is likely in a solid or a waxy state. The method is applied on field measurements at Finokalia, Crete during the FAME. For the summer campaign (FAME-08) the organic density is in the range of 0.8 and 1.8 g cm-3 with a mean value of 1.35±0.22 g cm-3¬, while for the winter (FAME-09) the average organic density is 1.14±0.36 g cm-3. This technique can also calculate the Collection Efficiency (CE) of the AMS, since AMS does not measure all the particles that enter the instrument. Applying the estimated CE, the AMS is in a good agreement with other instrumentation. The CE and the organic density of the thermodenuded samples are calculated as well. The CE and the organic density both for the ambient and the themodenuded samples are used as post corrections in the volatility estimation. For FAME-08 the organic aerosol is one order of magnitude less volatile than laboratory-generated α-pinene SOA. Furthermore they are highly oxidized due to the photochemistry conditions (especially in the summer) and the station location (away from detectable sources of pollution). Finally, modifying the steam-jet aerosol collector (SJAC) method both particulate and gas phase of the main inorganic species can be measured. Testing the approach at ambient conditions at the ICE-FORTH Institute, we were able to measure together with the inorganic aerosol composition the gas-phase concentrations of NH3, HONO and very low HNO¬3. The results are consistent with the predictions of the thermodynamic model ISORROPIA. / Τα αεροζόλ είναι σωματίδια που αιωρούνται στην ατμόσφαιρα. Η Φασματομετρία Μάζας Αεροζόλ (AMS) είναι μία νέα μέθοδος που μπορεί να δώσει ταυτόχρονα και σε πραγματικό χρόνο τη χημική σύσταση, το φάσμα μάζας και τις κατανομές μάζας των ατμοσφαιρικών σωματιδίων. Χρησιμοποιώντας το AMS με έναν θερμικό απογυμνωτή σε πειράματα οζονόλυσης α-πινενίου, β-πινενίου και λεμονενίου σε περιβαλλοντικό θάλαμο, το φάσμα μάζας των δευτερογενών οργανικών σωματιδίων (SOΑ) αναλύεται σε 3 επιμέρους φάσματα, ανάλογα με την πτητικότητα των οργανικών σωματιδίων. Το φάσμα που αντιστοιχεί στις ενώσεις με τη χαμηλότερη πτητικότητα για το α- και β-πινένιο είναι αρκετά όμοιο με αυτό των οξυγονωμένων οργανικών σωματιδίων (ΟΟΑ) από το περιβάλλον. Αυτό εξηγεί και μέρος της διαφοράς του φάσματος μάζας AMS μεταξύ εργαστηρίου και πεδίου. Συνδυάζοντας το AMS με ένα σαρωτή μεγέθους κινούμενων σωματιδίων (SMPS) υπολογίζεται η πυκνότητα των SOA από οζονόλυση α-πινενίου, β-πινενίου και λεμονενίου μεταξύ 1.4 και 1.65 g cm-3. Η σχετικά υψηλή τιμή της πυκνότητας μάλλον σημαίνει ότι τα παραγόμενα σωματίδια είναι στερεά ή κερώδη.Η παραπάνω μέθοδος εφαρμόζεται σε μετρήσεις πεδίου στη Φινοκαλιά, στην Κρήτη (FAME). Για το FAME-08 (καλοκαίρι) η πυκνότητα των οργανικών σωματιδίων είναι μεταξύ 0.8 και 1.8 g cm-3 με μέση τιμή 1.35±0.22 g cm-3, ενώ για το FAME-09 (χειμώνας) η μέση τιμή είναι 1.14±0.36 g cm-3. Η τεχνική αυτή υπολογίζει και το ποσοστό συλλογής (CE) σωματιδίων του AMS, καθώς το AMS μετράει ένα ποσοστό αυτών. Εφαρμόζοντας την CE που υπολογίζεται, η συμφωνία μεταξύ του AMS και άλλων οργάνων είναι αρκετά καλή. Υπολογίζεται επίσης η CE και η πυκνότητα των οργανικών για τα δείγματα που έχουν θερμανθεί στον θερμικό απογυμνωτή. Οι CE και οι οργανικές πυκνότητες χρησιμοποιούνται ως διορθώσεις για την αποφυγή υποεκτίμησης της πτητικότητας του οργανικού αεροζόλ. Για το FAME-08 οι οργανικές ενώσεις είναι περισσότερο από μία τάξη μεγέθους λιγότερο πτητικές από τα SOA που δημιουργούνται σε συνθήκες εργαστηρίου. Επίσης είναι υψηλά οξειδωμένες λόγω της φωτοχημείας (καλοκαίρι) και της τοποθεσίας της δειγματοληψίας (μακριά από πρωτογενείς ρύπους). Τέλος τροποποιώντας τη μέθοδο δειγματοληψίας υγροποιημένων σωματιδίων (SJAC) είναι δυνατό να μετρηθεί και η σωματιδιακή αλλά και η αέρια φάση των κυρίως ανόργανων ενώσεων. Πειράματα που έγιναν από δειγματοληψία στο ΕΙΧΗΜΥΘ δείχνουν την ύπαρξη ΝΗ3 αλλά σχεδόν μηδενικού ΗΝΟ3. Τα αποτελέσματα συγκρίνονται με ένα θερμοδυναμικό μοντέλο (ISΟRROPIA) και η συμφωνία είναι καλή.