Efter mer än 10 år av god likviditet och expansiv penningpolitik för att motverka pandemins (Covid 19) ekonomiska skada så har centralbankernas styrräntor nu höjts för att stävja inflation bromsa det penningöverflöd som funnits på marknaden. Med högre marknadsvolatilitet och högre räntor är riskanalys av likviditet tillsammans med minskning av det penningöverflöd som funnits hos finansiella institutioner nyckelfaktorer för att säkerställa finansiell stabilitet och lönsamhet. Denna uppsats ämnar undersöka kundförluster - hur många kunder som sannolikt går förlorade och vilken finansiell påverkan det har på banken. Datan är endast insamlad från juni 2023 vilket omöjliggör en undersökning med långsiktig tidshorisont. Dataurvalet är väldigt obalanserat: få kunder synes förloras. Därför används resampling-metoder (SMOTE-NC och slumpmässig undersampling) för att minska effekten av obalans men samtidigt bevara ett dataurval som fångar olika kundbeteenden. Logistic Regression, Random Forest och Support Vector Machine är modellerna som används för att förutspå och förklara kundförluster. Vi noterar enligt förväntan att Logistic Regression presterar sämre än de övriga modellerna. Random Forest är den modell som bäst förklarar kundförluster medan Support Vector Machine påvisar sig vara den mest förutsägbara modellen. Dessa modeller kan stärkas genom att inkorporera mer dynamiska variabler (exempelvis kundrelation) och det ekonomiska klimatet.

Analys av axelbelastning kan ge insikt i skadeorsaker. Direkt mätning av belastning är dock fortfarande en utmaning. Som ett alternativ kan muskel- och ledbelastningar uppskattas med muskuloskeletala simuleringar, men modellerna måste valideras. Modeller har utvecklats för att uppskatta rörelse och belastning i axelns olika leder och muskler. Validitet vid skattning av belastning har dock inte rapporterats. Tidigare modeller tillåter inte heller rörelse i ryggraden, trots att hållningen påverkar muskler som spänner över axeln. Det första syftet med avhandlingen var att undersöka vilken grad av stabilitet runt axelleden som är tillräcklig i en muskuloskeletal modell för att uppskatta axelledens krafter. Utifrån tillgängliga in vivo-data gällande rörelse-och ledbelastning modellerades axelledens stabilitet på olika sätt genom att begränsa ledkontaktkraften så att den riktas in i eller nära glenoidkaviteten. Vi fann att en mindre strikt stabilitetsbeskrivning som uppmuntrade axelledskontaktkrafter att riktas centralt i glenoidkaviteten uppskattade kraftstorlekar och kontaktkraftriktningar relativt väl, även om vissa avvikelser med in vivo-mätningarna fortfarande fanns.

Det andra syftet med avhandlingen var att validera en biomekanisk modell av axelleden med rörelse i ryggraden (SITS), för att uppskatta axelledens biomekanik vid sittande aktiviteter. Axelbelastningen beräknades  från insamlad rörelsedata av forskningspersoner som utförde enkla hantellyftaktiviteter, i både hopsjunkna och upprätta sittställningar. Vi fann att sittställningar påverkade modellernas estimerade  muskelaktivering och ledbelastning. Jämfört med en upprätt hållning innebar hantellyftet i ett hopsjunken hållning större glenohumerala ledrörelser, mer ligamentsträckning, mer muskelaktivering samt högre ledkontaktkrafter. 

Dessa resultat stöder den föreslagna modellen av axelleden och beskrivning av ledstabilitet som benchmarkmetoder för omfattande biomekanisk analys av axelleden.

Invasiva blodprov och dyra metabolmätare är idag vanliga metoder för att mäta mjölksyrenivåer i blodet under träning, en viktig markör för prestation och trötthet. Detta projekt undersöker en enklare och mer kostnadseffektiv lösning. En portabel andningsmask utrustad med kommersiellt tillgängliga sensorer för koldioxid (CO₂) och flyktiga organiska föreningar (tVOC) i utandningsluften, i syfte att uppskatta mjölksyreliknande förändringar i realtid. Genom att jämföra utandningsdata under olika träningsintensiteter undersöker studien huruvida trender i CO₂ och aceton (huvudkomponenten i tVOC i utandningsluften) speglar förändringar i blodlaktat.

Resultaten visar att de råa sensorvärdena påverkades av faktorer som andningsfrekvens och sensorfördröjning. Genom att använda en algoritm med syfte att normalisera CO₂-data för att minimera effekten av varierande andningsfrekvens framträdde mönster som i stora drag överensstämde med förändringar i arbetsbelastningen. Acetonvärden, mätta med en allmän tVOC-sensor, uppvisade större brus och störningar men indikerade ändå potentiella skiften i ämnesomsättningen. Även om sambandet mellan utandningsbaserade mätningar och blodlaktat var måttligt, delvis på grund av begränsat provantal och dataserier i flera sessioner, visar studien att två enkla sensorer kan ge värdefulla insikter om kroppens metabolism. Denna metod kan sänka tröskeln för sportlag, träningsintresserade och vårdgivare, och bana väg för icke-invasiv övervakning av anaerob metabolism och träningsnivåer i realtid.

Detta examensarbete undersöker den jämförande prestandan hos WebGPU och WebGL i samband med 2D webbaserade partikelsystem, som ligger inom området webbgrafik och GPU:er. WebGPU representerar nästa generations webbgrafik-API och introducerar en modernare design än WebGL, inclusive ”compute shaders” för att underlätta generella beräkningar på GPU:n. API:et är dock fortfarande under utveckling och saknar fullständigt plattformsoberoende stöd vilket gör det till ett relativt outforskat forskningsområde. Den här studien testar prestandan för dessa API:er med hjälp av partikelsystem som helt körs på GPU:n i en Google Chrome Canary webbläsare och mäter total GPU-tid, rendering och beräkningstid per bildruta och initialiseringstid över varierande antal partiklar, storlekar och typer av partiklar på två olika GPU:er, en starkare NVIDIA GeForce RTX 3080 och en mindre stark, Intel(R) UHD Graphics 620. Resultaten av testerna visar att WebGPU avsevärt överträffar WebGL, särskilt på den starkare GPU:n, där uppdateringen av partikelpositioner varje bildruta reduceras cirka 100 gånger med WebGPU över WebGL. Även på den mindre starka GPU:n förbättras beräkningstiden med 5 till 6 gånger med WebGPU. Det maximala antalet partiklar vid 60 fps med WebGPU på den avancerade GPU:n är cirka 37 och 20 miljoner, beroende på typen av partikel. För WebGL handlar det om 2,7 och 2,3 miljoner. På den mindre starka GPU:n är det maximala antalet partiklar vid 60 fps för WebGPU 2,1 miljoner och 398 000, medan det för WebGL är cirka 374 000 och 310 000. Resultaten belyser de betydande prestandafördelar som WebGPU erbjuder och kvantifierar förbättringarna jämfört med WebGL, vilket bidrar till en bredare förståelse och insikter om WebGPU som ett kommande plattformsoberoende webbgrafik-API.

Konceptet med spelartypologi är grundläggande inom spelutveckling och marknadsföring, eftersom det möjliggör skapandet av mer engagerande och personliga spelupplevelser genom att förstå olika spelartyper. Detta område har undersökts ingående, vilket betonar betydelsen av spelares preferenser och motivationer för att forma spelutveck- lingsstrategier. Dessutom erbjuder spelens interaktiva och uppslukande natur en unik möjlighet att noggrant uppskatta spelartyper. Denna studie utforskar potentialen i att använda spel som ett verktyg för att bestämma spelartyper, genom att introducera en ny typologi för enspelarspel baserad på tidigare forskning. För att validera denna typologi designades ett specifikt spel för att klassificera spelare i dessa fördefinierade kategorier. Genom att använda beteendedata och enkätsvar från 1 024 deltagare genomförde studien korrelationstester och identifierade flera signifikanta samband mellan deltagarnas beteende i spelet och deras spelpreferenser. Deltagarna bedömde typologins noggrannhet i att spegla deras verkliga spelartyp, med ett genomsnitt på 3,91 av 5 på en Likert-skala, vilket indikerar ett generellt positivt mottagande men också lyfter fram områden för ytterligare förfining och undersökning. Studien genomförde också en tematisk analys av deltagarnas återkoppling om spelartypologin och forskningsdesignen, vilket erbjuder värdefulla insikter för framtida studier. Resultaten visar att spel kan vara ett genomförbart verktyg för att uppskatta spelartyper, vilket exakt återspeglar spelares preferenser och motivationer.

Det har visats att människor beter sig mer aggressivt när de kommunicerar via text. Det här kan bero på att denna form av kommunikation avhumaniserar oss och reducerar oss till enkla textmeddelanden. För att skapa mer empatisk kommunikation även när vi är avlägsna borde vi skapa medierade upplevelser som är mer lika verkligheten. Med lanseringen av plattformar som Apple Vision Pro och Meta Quest som använder förstärkt verklighet och virtuell verklighet är detta nu möjligt i konsumenthårdvara. Denna studie undersöker skillnaderna i social närvaro mellan att spela tillsammans på Apple Vision Pro med realistiska antropomorfiska avatarer jämfört med iPhone och ett traditionellt videosamtal. 10 deltagare spelade ett spel på båda plattformarna där data samlades in via telemetri och en enkät. Efter de spelat blev de intervjuade. Resultaten visade att social närvaro ökade på Apple Vision Pro och att deltagarna spelade långsammare jämfört med iPhone. Deltagarna sa att de fokuserade mer på sociala interaktioner över att faktiskt spela spelet. De sa också att de hade mer naturliga interaktioner som icke-verbala signaler. Intervjuerna antydde att den ökade sociala närvaron var på grund av den ökade realismen. Resultaten och diskussionen har använts för att ge designförslag som kan användas för framtida produkter inom detta område.

I takt med att den globala andelen intermittenta kraftkällor inom elproduktionen ökar, drivet av framsteg inom elektrifieringen av industrin och behovet av gröna energikällor, blir det allt viktigare att förstå dynamiken i electricitetshandeln. För närvarande gäller detta särskilt i regioner som Norden där vindkraft redan bidrar avsevärt till oförutsägbarheten i energiproduktionen. Electricitetshandeln har utvecklats till att bli en kostnadseffektiv lösning för att hantera fluktuerande elproduktion, säkerställa tillgänglighet och stabilisera priserna, vilket påverkar både nätoperatörer, konsumenter, producenter och beslutsfattare. Den globala trenden mot högre andelar intermittent kraft i elproduktionen tyder på att lärdomar från de nordiska länderna kan tillämpas på andra regioner i framtiden.

I det här examensarbetet används maskininlärningstekniker för att förutsäga elflöden mellan länder med hjälp av väderdata från 40 väderstationer i Finland och norra Sverige. Det primära målet är att utveckla en modell som kan prognosticera elflöden på timbasis, med ett sekundärt mål att analysera historiska modelleringsmetoder och identifiera faktorer som påverkar handelsvolymer och modellens noggrannhet.

Slutsatsen av studien är att även om de föreslagna artificiella neurala nätverken (ANN) och sammansatta metoderna visar ett samband mellan vindkraftsproduktion och elflöden, saknar de för närvarande praktisk tillämpning på grund av det underliggande problemets komplexitet. Studien visar emellertid att i regioner som är starkt beroende av vindkraft, som i de nordiska länderna, kan allmän väderdata effektivt utnyttjas i syfte att förutsäga vindkraftsproduktion, vilket ger ett kostnadseffektivt prognosverktyg med relativt låga krav på datamängder.

Denna uppsats syftar till att fastställa den grunden för olyckor och deras definierande kännetecken genom probabilistiska modeller och extrationsmetoder, med fokus på segmentering av multivariata tidsseriedata från el-scooter resor. Uppsatsen utvärderar förmågan hos HMM och MRHLP-modellerna jämfört med en tröskelbaserat algoritm genom att analysera resor där HMM och den tröskelbaserade algoritmen överlappade. Dessa gemensamt upptäckta segment gjorder det möjligt att använda ett gemensamma startindex för att beräkna medelvärde och varians för både upptäckta och oupptäckta datapunkter.

Resultaten visar begränsningar hos MRHLP-modellens förmåga att exakt detektera relevanta överlappande segment till den tröskelbaserade algoritmen i jämförelse med HMM. Utvärderingen använde startindexen för dessa överlappande segment för att beräkna medelvärdet och variansen för dem utvalda egenskaper och bedömde datapunkter 5 sekunder före och efter de identifierade segmenten. En linjär klassifieringsmodel användes för att skilja mellan datapunkterna, vilker resulterade i hög noggrannhet, återkallelse, precision och F1-poäng, där variansen av egenskaperna framträdde som avgörande diskriminatorer.

Trots den begränsade storleken på datamängden indikerar resultaten av denna uppsats att den föreslagna metoden för att karaktärisera potentiella olyckor är lovande och förjänar ytterligare utforskning.

Detta projekt fokuserar på att utforska analoga Processing In Memory (PIM)- arkitekturer genom att utnyttja RAELLA som en baslinjearkitekturmodell. Den här avhandlingen utökar RAELLA genom att införliva fysiska felmodeller i verkligheten i designen och genom att återbesöka noggrannhetsuppskattningen. De implementerade felmodellerna är integrerade i Timeloop/Accelergysimuleringsramverket och används för noggrannhetsutvärderingar av utvalda neurala nätverksmodeller. Vi utforskar ytterligare noggrannhetsbahviour under olika optimeringsval som stöds i RAELLA arkitekturval. Projektet tar upp två primära forskningsfrågor. Den första Frågan fokuserar på hur man utvärderar noggrannheten hos neurala nätverk samtidigt som felmodeller införlivas, och sambandet mellan noggrannhetsutvärdering och simuleringsverktyg, Timeloop/Accelergy. Den andra frågan är fokuserad på avvägningarna mellan noggrannhet och hårdvaruprestanda över olika neurala nätverkskonfigurationer, inklusive variationer i djup och bredd på neurala nätverk. De primära forskningsfrågorna har behandlats med omfattande ablationsstudier utförda i ett steg-för-steg sätt för att förstå effekterna av olika optimeringsval tillsammans med memristor-enhetsfelmodeller. Framtida studier kan fokusera på att utforska toppmoderna memristorenheter, implementera och införliva felmodeller för dessa enheter i simulatorn, och även ta upp effekterna av andra icke-idealiteter såsom konduktansdrift på prestandan hos PIM-arkitekturer.

Övergången från fossila bränslen till förnybar energi är en av de stora utmaningarna i dagens samhälle. För att öka användningen av solenergi krävs dock en större förutsägbarhet. I denna uppsats utreddes noggrannheten och osäkerheten hos olika maskininlärningsmodeller som förutspår den timvisa solenergiproduktionen två dagar i förväg utifrån väderdata för en solpark belägen i centrala Sverige. Modeller konstruerade med historiska observerade väderdata jämfördes med modeller konstruerade med historiska väderprognosdata. Resultaten indikerade att modeller tränade på historiska väderprognosdata presterade bättre än de tränade på historiska observerade träningsdata. Detta resultat var konsekvent för alla maskininlärningsmodeller och variabeluppsättningar som undersöktes. De modeller som presterade bäst var random forests och extra trees. Inkludering av solvinklar som variabler förbättrade noggrannheten. Det var vidare möjligt att uppnå relativt tillförlitliga osäkerhetsuppskattningar för modeller tränade på historiska prognostiserade väderdata med hjälp av quantile gradient boosting. Studien visade också att väderförhållandena för en given dag hade en betydande inverkan på prognosernas noggrannhet och osäkerhet. Dagar med snö var särskilt utmanande att prognostisera korrekt.

Tågdrift introducerar särskilda utmaningar och krav kopplade till säkerhet och tillförlitlighet. Tåg är avsedda att fungera under olika föränderliga faktorer, som följer av de stora avstånd som färdas, samt variationer i väderförhållanden och långvarig användning. Dessa faktorer medför belastning av utrustningen ombord på tågen. Kontrollsystem i tågindustrin genomför loggföring som ger möjlighet att spåra tillståndet av tågets komponenter. Denna data, kombinerad med meteorologiska observationer från närmaste väderstation, möjliggör det här arbetets undersökning avseende prediktivt underhåll. Detta arbete bygger på en grund av avvikelseidentifiering med hjälp av djupinlärning. Det beskriver olika kombinationer av data och använder djupinlärningsmodeller för att jämföra en resulterande avvikelsepoäng för varje loggföring. En begränsad uppsättning datapunkter med känd märkning används för att utvärdera modellerna. Den huvudsakliga bedömningsgrunden för utvärderingen är så kallad recall, med målsättningen att minimera falska negativa i säkerhet och tillförlitlighetssyfte. De bästa modellerna uppnår 87% recall, vilket var en förbättring gentemot en baslinje. Det krävs dock större mängder data samt modellering bortom omfattningen av detta arbete för att metoden ska tas i bruk. Detta arbete tillhandahåller en metodik och kunskap kring prediktivt underhåll utformat som ett avvikelseidentifieringsproblem inklusive övervägande och jämförelse mellan två alternativa dataset.

Detta examensarbete undersöker tillämpningen av isolation forest för att identifiera potentiell bedräglig verksamhet inom Stockholms kollektivtrafik, som drivs av Storstockholms Lokaltrafik (SL). Studien använder en oövervakad maskininlärningsmodell som inte förlitar sig på fördefinierade indikatorer för bedrägeri, vilket möjliggör upptäckten av nya och omärkta anomalier i transaktionsdata från resekort och mobilapp-valideringar.

isolation forest-algoritmen valdes för dess effektivitet i att hantera stora datamängder och dess förmåga att isolera anomalier baserat på strukturella skillnader i datan, snarare än avvikelser från en "normal" modell. Resultatens tolkbarhet förbättrades genom användning av Shapley additive explanations (SHAP)-värden, vilket framhäver varje funktions inflytande på modellens beslutsprocess.

Nyckelfynd tyder på att modellen effektivt identifierade avvikande beteenden som potentiellt kan indikera bedrägeri. Utmaningar uppstod dock på grund av bristen på definitiv förklaring för datans beteenden. Det är svårt att bekräfta om vissa funktioner är förknippade med verkligt betalningsbedrägeri eller om en användares beteende helt enkelt är ovanligt. Regler för att identifiera misstänkt beteende inkluderar att upptäcka orimliga antal biljettkontroller och överdrivet långa reseavstånd för vissa biljettyper. Att scanna en biljett mer än fyra gånger per dag eller att resa över 48 km per dag med SL är mycket ovanligt. Biljetter som överskrider dessa gränsvärden bör undersökas ytterligare för att identifiera misstänkt beteende.

Under de senaste åren har arbete inom metoder för ögonspårning med djupa neurala nätverk sett en ökning då fler avancerade modeller som kan producera noggranna resultat för olika ögonspårningsuppgifter har utvecklats. Det uppkommer dock ett problem i att det finns ett behov av en stor mängd ansiktsbilder med hög kvalitet för att träna dessa modeller. Införskaffandet av ansiktsbilder är vidare en dyr och problematisk process på grund av integritets anledningar. För att åtgärda detta problem studerar denna uppsats hur neurala strålningsfält (NeRFs) kan användas för dataökning av bilddata. Speciellt studeras en modell som nyligen introduceras, den så kallade Zip-NeRF, för att rendera bilder på ansikten från nya kameravinklar. En Bayesiansk analys av osäkerheten i bilderna är också gjord för att ta reda på kvalitén av renderingarna. Efteråt tränas ett residualt nätverk (ResNet) på den expanderade datamängden och modellen evalueras på en följd av experiment med olika testdata där ögonpositionerna i 3D rummet estimeras från ansiktsbilder. För att kunna demonstrera effektiviteten av dataökningen tränas också en basmodell endast på de ursprungliga bilderna och resultaten från båda modellerna jämförs sedan med varandra. Denna uppsats finner att modellen tränad på den expanderade bilddatan generaliseras bättre till nya kameravinklar som inte har setts i träningsdatan. Medan det fortfarande finns många åtgärder som kan förbättra dataökningen för ansiktsbilderna, så visar denna uppsats att det kan finnas potential i att använda NeRFs för att expandera data inom ögonspårning med djupa neurala nätverk.

Denna avhandling undersöker rotfinnande, det vill säga att hitta den första noden, av en typ av slumpmässig graf, l−dags eller slumpmässiga rekursiva dags, när vi lägger tillen ytterligare Erdős-Rényi-graf på samma noduppsättning, vilket representerar brus. Resultaten visar att strukturen av dubbla cykler som fungerar för ℓ−dags utan brus är robusta mot betydande brusnivåer. Vi utforskar sedan även numeriskt rotfinnande algoritmer för uniform attachment trees och brus, vilket är en aktuell öppen fråga inom området, för att ge en inblick i framtida forskningslinjer.

Generativ AI är artificiell intelligens som producerar generativt innehåll med till exempel bilder, videor eller ljud. De mest kända generativa AI-modellerna läser instruktionerna som ges av en prompt och genererar utdatainnehållet baserat på det. Den snabba utvecklingen av generativ AI medför dock problem med etiska risker. Exempel på detta är våldsamt innehåll, felaktig information eller upphovsrättsbrott. Lagstiftningen är för långsam för att bekämpa etiskt problematiska områden. Detta väcker frågan om vilka insatser mot etiska skador som generativa AI-företag bedriver och vilka konsekvenser dessa strategier har. Detta forskningsprojekt kommer att besvara denna fråga. Kvalitativ dataanalys genomförs på tre företag för var och en av tre generativa AI-modelltyper (text-till-bild-, video- och ljudgenereringstyper) på fem områden av etisk oro (datatransparens, utbildningsdata, upphovsrätt, skadebegränsande åtgärder och artist opt-out). Resultaten visar att endast ett generativt AI-företag bekämpar alla fem etiska problemområden i tillräcklig utsträckning och att företagen kan göra mer. Alla företag har begränsat mycket liknande ämnen i sina användarvillkor. Andra etiska frågor uppvisade heterogena tillvägagångssätt mellan företagen. Inga skillnader eller mönster vad gäller förhållningssätt mellan företag, företagsvärderingar, generativa AItyper eller andra faktorer har hittats. En anmärkningsvärd observation är att ju mindre ekonomiska resurser ett företag har, desto färre insatser görs för att motverka etiska komplexiteter. Vissa företag är mer transparenta med sina metoder och/eller bekämpar etiska frågor hårdare, medan andra företag är mindre transparenta och/eller mindre hårda, vilket kan tillskrivas olika motiv såsom implementeringskostnader, PR eller andra skäl. En slutsats från projektet är att det inte finns några eller inte tillräckliga regler från lagstiftare om dessa frågor, vilket innebär att det i hög grad är upp till företagen att hantera etiska frågor. På grund av implementeringskostnader föredrar företag färre metoder för att motverka etiska frågor inom generativ AI.

Detta projekt utvecklade MeditAI, en AI-driven chatbot utformad för att erbjuda guidade mindfulness-övningar för att stödja äldre vuxnas välbefinnande. Med tanke på att mindfulness har visat sig lindra mentala och emotionella utmaningar fokuserar projektet på att finjustera två stora språkmodeller, GPT- 3.5 och LLaMA-2, för att generera personliga mindfulness-manus för äldre vuxna, med målet att minska stress, främja positiva tankar, lindra ensamhet och förbättra sömnen. Modellerna utvärderades med hjälp av mått som BLEU, ROUGE, METEOR och BERTScore för att bedöma både språklig noggrannhet och semantisk sammanhållning. Medan GPT-3.5 visade överlägsen sammanhållning och flyt, uppnådde LLaMA-2 något högre F1-poäng, vilket lyfter fram dess potential för uppgifter som kräver en balans mellan precision och återkallelse. Dessa resultat tyder på att båda modellerna har unika styrkor beroende på utvärderingskriterierna. Detta projekt erbjuder ett nytt sätt att stödja äldre vuxnas mentala hälsa genom personliga digitala mindfulness-övningar. Projektet betonar de stora språkmodellernas potential inom mentalvård och belyser samtidigt de tekniska utmaningarna och beräkningskraven i samband med finjustering. Framtida forskning kan fokusera på att optimera modellprestanda med större datamängder och utvidga tillämpningen av digital mindfulness till andra populationer.

Detta examensarbete undersöker krafttransformatorers beteende vid påverkan av likströmsförskjutningar, med fokus på elektromagnetisk modellering genom ekvivalenta kretsar. Likströmsförskjutningar, som kan uppstå på grund av geomagnetisk aktivitet, solstormar, kraftsystem och järnvägsinfrastruktur, utgör ett betydande hot mot transformatorprestanda genom att orsaka saturering i transformatorkärnan. Denna saturering kan leda till ofördelaktig värmeutveckling, oljud och potentiella skador på transformatorer. Projektet, genomförs i samarbete med Hitachi Energy och undersöker Chanmodellen för icke-linjära kärnmodellering för att simulera flödesvägar i transformatorer med LTSpice-programvara. Projektets syfte är att öka förståelsen för transformatorers saturering genom att använda Chanmodellen för icke-linjära transformatorkärnor och utveckla ett prototypverktyg för transformatorers konstruktion och modellering. Chanmodellen anpassades till datan för kärnstålet och transformatortankstålet. EY och DY kärnmodellen implementerades i kretssimuleringsverktyget. Därefter simulerades kretsmodellerna under olika likströmsförskjutningar för att observera flödesbeteende och satureringsnivåer. Resultaten från simulering av modellerna visar på relativt hög pålitlighet för Chan modellen. Dessa resultat demonstrerar att Chan-modellen på ett relativt pålitligt sätt kan simulera likströmsinducerad saturering i transformatorer, vilket kan underlätta framtida transformatorutveckling och optimering. Dock behöver metoden undersökas mer för att öka pålitligheten hos modellen för att användas i högre utsträckning. Prototypverktyget uppsättningen av simuleringar och analys, vilket i framtiden kan möjliggöra en effektivare design och utvärdering av transformatorers beteende vid likströmsförskjutningar.

Vi introducerar en variationsinferens-baserad bayesiansk metod för skatting av kovariansmatriser, som vi tillämpar på tidsserier av finansiella dagsavkastningar. Mer specifikt modellerar vi dynamisk kovarians som en inverterad Wishart-process enligt tidigare forskning, i en konstruktion med oberoende likafördelade centrerade gaussiska processer. Rapporten innehåller en beskrving av standardmetoder för regression och prediktion med gaussiska processer, och en genomgång av teoretiska och praktiska aspekter av variationsinferens. Vi implementerar en gradientbaserad ``black box"-variationsmetod och föreslår särskilt en variations-familj bestående av faktoriserade normalfördelningar med Gram-kovarians. Experimentellt visar vi att den föreslagna modellen är särskilt fördelaktig vid skiftande och periodiskt korrelerande data, och överträffar vår benchmark, exponentiellt glidande medelvärde, i noggrannhet i tid. Emedan ramverket för prediktion har praktiska nackdelar och bristande precision på syntetiska dataset, visar resultaten på finansiell data blygsam potential.

De senaste åren har utvecklingen av Large Language Models (LLM:er) vuxit explosionsartat. Sedan lanseringen av ChatGPT har användningen av LLM:er ökat kraftigt, både i privat bruk och i företagsimplementationer. För att en LLM ska fungera måste den tränas på stora mängder data, men vad händer när den får uppgifter som den inte har tränats för? Allvarliga fel kan uppstå som påverkar integriteten i det genererade svaret, modellen börjar hallucinera och kan svara helt felaktigt. För att lösa detta problem så är svaret Retrieval Augmented Generation. RAG gör det möjligt för en LLM att hämta ytterligare kontext från externa källor och generera svar baserat på den information som hämtats. 

Syftet med detta examensarbete är att undersöka hur informationshämtningen kan optimeras med hjälp av olika sökmetoder och flera förbättringsmetoder, samt att undersöka deras effekter på prestandan med standardiserade mätetal.

I avhandlingen presenteras flera metoder för att öka sökprestanda: Re-Ranking, Hypothetical Document Embedding (HyDE) och Query Expansion. Studien presenterar även flera mätetal för att utvärdera dessa metoder: nDCG@10, MAP@10 och Recall@1000, med matematisk bakgrund och motivering till hur de används. De resultat som presenteras i avhandlingen är jämförbara med vad de absolut bästa modellerna presterar, men avhandlingen lyckas inte fastställa en signifikant ökning av sökresultatet för de undersökta metoderna. Hypotesen är att detta beror på brister i de data som används, begränsningar i hårdvara och viss tidsbegränsning som påverkat vilka metoder som valts.

Detta examensarbete utreder generaliserbarheten hos en automatiserad djupinlärningsalgoritm med en U-Net-arkitektur, speciellt anpassad för segmentering av den mänskliga luktbulben. Studien fokuserar på att förbättra segmenteringsnoggrannheten genom implementering av riktade modifieringar, såsom tröskeljustering och utformning av efterbehandlingsrestriktioner i syfte att framgångsrikt annotera hela Human Connectome Project Young Adult (HCP-YA) datasetet (n=1101, ålder 22-35 år). Omfattande validering genomfördes med flera dataset för att bedöma algoritmens prestanda och dess förmåga att generalisera över olika dataset med olika skanings parametrar. Resultaten visar en anmärkningsvärt låg andel (5,8%) av felaktiga segmenteringar inom HCP-YA-datasetet samt förbättringar i segmenteringsnoggrannhet genom minskning av översegmentering. Dessa förbättringar strömlinjeformar inte bara segmenteringsprocessen utan ökar också potentialen att använda volymen av luktbulben som biomarkör för neurodegenerativa sjukdomar. Detta arbete bidrar till området medicinsk bildanalys genom att förbättra noggrannheten och effektiviteten hos verktyg för segmentering av luktbulben, med starka implikationer för både forskningsmässiga och kliniska tillämpningar vid diagnostisering av neurodegenerativa sjukdomar.

Företaget Predictable Hiring assisterar företag i deras rekryteringsprocess. Ett av områdena där företag behöver deras hjälp är att besluta om en lämplig lön att erbjuda potentiella anställda. För nuvarande finns det statistiska webbplatser som erbjuder krassa medelvärden baserade på endast några få faktorer. Dessa faktorer inkluderar inte företagsspecifika detaljer. I denna avhandling konstrueras en modell baserad på olika faktorer som föreslår en lämplig lön för enbart en roll, men fler roller kan inkluderas med samma metoder, samt ett intervall för minimum och maximilöneerbjudanden.Flera modeller konstrueras med hjälp av Linjär och Polynomiell Regression, med och utan LASSO och Ridge regularisering, samt Gauss-processer och Neurala Nätverk med Ridge regularisering. Dessa modeller jämförs sedan baserat på prediktiv förmåga och den bäst presterande modellen blir sedan den modell som väljs och levereras till företaget. Ytterligare metoder implementeras också för att förbättra modellens prestanda, såsom att undersöka avvikare, bedöma grad av multikollinearitet, skalning av features, bedöma prediktiv förmåga hos variabler och utvärdering av fel Margin. Modellen är en fungerande prototyp, och kan därmed förbättras signifikant. Företaget Predictable Hiring kan lägga till mer data i modellen allt eftersom de förvärvar mer. Denna avhandling resulterar även i uppdagandet av kunskap som kan tjäna som grund för att bygga bättre preseternade modeller i framtiden.

Denna masteruppsats utforskar tillämpningen av generativ modellering för sannolikhetsväderprognoser, specifikt genom utvecklingen av DEFfusion (Direct Ensemble Forecasting with Diffusion). DEFfusion syftar till att åtgärda begränsningarna i nuvarande maskinilärningsväderprognosmodeller, som tenderar att producera suddiga prognoser och använder iterativa metoder. Genom att använda en diffusionsmodell påvisar uppsatsen potentialen hos direkta prognoser för mer exakta och effektivare väderprognoser. Detta görs genom att generera en ensemble av möjliga framtida vädertillstånd från ett givet initialtillstånd för en kvasi-geostrofisk modell. Metoden inkluderar träning av ett neuralt nätverk för att utföra dimensionsreduktionen, och användningen av en diffusionsmodell för att hantera de probabilistiska aspekterna av prognoser. Evalueringsmått så som Root Mean Squared Error (RMSE), Continuous Ranked Probability Score (CRPS), och Skill/Spread ratio visar på att DEFfusion presterar bättre än traditionella iterativa metoder. Denna forskning bidrar till att utveckla maskinilärningsväderprognosmodeller genom att förbättra deras förmåga att kvantifiera osäkerhet och fånga extrema händelser, vilket banar väg för mer tillförlitliga och effektiva väderprognossystem.

Detta examensarbete presenterar designen och optimeringen av en kompakt trissa med en integrerad 360-graders swivlande karbinhake, avsedd för högpresterande träningsmaskiner. Studien fokuserar på att utveckla en innovativ mekanism som minimerar bygghöjden och friktionsförluster samtidigt som den säkerställer användarsäkerhet och uppfyller kraven enligt ISO 20957-1:2024. En kombinerad metod, som innefattar både handberäkningar och FEM-simuleringar, användes för att utvärdera centrala designparametrar såsom lastfördelning, friktion i kullager och materialval. Den iterativa designprocessen möjliggjorde en successiv förbättring av konceptförslaget för trissan och karbinhaken, vilket resulterade i en lösning som till stor grad möter kravspecifikationen. Resultaten visar att den föreslagna designen effektivt kan hantera både de statiska och dynamiska laster som uppstår och samtidigt erbjuda en intuitiv användning, vilket öppnar upp för framtida förbättringar inom designen.

Den intermittenta naturen hos källor som vind och sol har gjort det extremt svårt att integrera förnybar energi i elsystem. Genom att lagra energi och tillhandahålla kringtjänster på elmarknaderna erbjuder (BESS) ett sätt att stabilisera näten. Målet med denna avhandling är att optimera BESS verksamhet på de nordiska och centraleuropeiska kraftmarknaderna för att minimera batteriförsämring och maximera ekonomiska belöningar.

Denna studie syftar till att avgöra om BESS kan vara ekonomiskt på elmarknader med volatil prissättning. Effektiv batterihantering kan resultera i betydande intäkter inom dessa sektorer. Det kan också hjälpa till att minska de långsiktiga utgifterna i samband med batterislitage. Potentialen för vinst- och kostnadsminskningar är drivkraften bakom denna studie.

Att upprätthålla operativ effektivitet och optimera vinster är två utmaningar när det gäller att säkerställa nätstabilitet samtidigt som man använder BESS för att dra fördel av volatil marknadsprissättning.

För att bibehålla denna operativa effektivitet och optimera vinsten utvecklas en icke-linjär nedbrytningsmodell för litiumjonbatterier för att undersöka effekterna av temperatur, urladdningsdjup (DoD) och laddningstillstånd (SoC). För att uppnå största möjliga balans mellan lönsamhet och försämring använder forskningen flerstegsoptimeringsmodeller, för att använda SoC som en linjär funktion av försämringskostnader och sannolikhetsbaserade budtekniker för att bedöma Spot- och Frequency Containment Reserves (FCR-D)-marknader.

Resultaten visar att BESS-verksamheten kan förbättras avsevärt, samtidigt som nedbrytningskostnaderna minskar samtidigt som konsekventa ekonomiska vinster bevaras med flerstegsoptimering. Den långsiktiga finansiella hållbarheten för BESS på vissa marknader demonstreras ytterligare av kostnads-nyttoanalysen.

För närvarande står samhället inför många miljöskyddsproblem, på grund av industrialisering och massproduktion, som främjat och drivit på konsumtionen. Till en början var dessa problem strikt relaterade till miljön, men längs vägen drogs slutsatsen att de har sin grund i samhällets uppbyggnad och ekonomiska frågor. Sålunda utvecklades begrepp som hållbarhet, hållbar utveckling eller cirkulär ekonomi, som ser på problemet från flera synvinklar, med ett gemensamt mål. Detta arbete fokuserar på att undersöka hur hållbarhet, cirkulär ekonomi, digitalisering och modularisering kan kopplas samman, och introducerar konceptet digitalt produktpass. Detta digitala verktyg kan presenteras ur flera perspektiv, antingen som ett resultat av synergin mellan dessa koncept eller som ett självständigt koncept.

Forskningen utforskar samspelet mellan alla dessa koncept ur ett teoretiskt perspektiv, och belyser deras kollektiva potential att förlänga produkternas livslängd och optimera användningen av resurser. Samtidigt presenteras viktiga utmaningar, inkluderande standardisering, teknisk integration och global implementering. Detta arbete syftar till att skapa en riktning med avseende på definitionen och förståelsen av det digitala produktpasset eftersom ingen lagstiftning i det aktuella sammanhanget tillhandahåller all nödvändig information om detta koncept.

Cyberfysiska system (CPS) är intelligenta system som kombinerar beräknings-mässiga och fysiska förmågor för att möjliggöra avancerade funktioner, som autonoma beteenden, interaktion mellan människa och maskin och maskinsamarbete i komplexa miljöer. För att hantera dessa funktionaliteter används ofta artificiell intelligens (AI), särskilt inom operativ perception och beslutsfattande. Men på grund av att de flesta AI-komponenter är dataintensiva och svårgenomtränglig, i kombination medoförut-sedda miljöer, innebär integrationen av AI-komponenter i CPS betydande tekniska utmaningar när det gäller kvalitetshantering.

Självförvaltning, som en inbyggd systemfunktion, utökar konventionella CPS med funktionaliteter för driftsövervakning, planering och anpassning. Den anses ofta vara en nödvändig mekanism för att säkerställa kvaliteten och pålitligheten hos AI-komponenter.

Att implementera självförvalt-ning i AI-aktiverade CPS innebär dock flera utmaningar: Begreppet tolkas olika beroende på målgrupp och tillämpning, vilket gör definitionen och implementeringen mer komplex. Dessutom kräver AI-komponenter ofta extra ansträngningar för att säkerställa konsekvent prestanda över olika operativa domäner, särskilt under oförutsedda förhållanden.

För att adressera dessa utmaningar föreslår denna avhandling en integrering av datadrivna och kunskapsbaserade metoder för självförvaltning genom följande insatser: 1) Utveckling av konceptuella ramverk som definierar de nödvändiga och tillräckliga funktionerna för autonom hantering, med stöd för situationsmedvetenhet om både interna och externa förhållandena; 2) Implementering av tillståndsövervakningsmoduler inom de föreslagna konceptuella ramverken för att analysera systemstatus och förbättra situationsmedvetenheten; 3) Skapande av förklarbara datadrivna metoder som möjliggör en bättre förståelse av operativa förhållanden; 4) Design av inlärningsbaserade agenter för att dynamiskt och effektivt hantera sårbarheter i AI-baserade system, förebygga systemfel och säkerställa driftsäkerhet.

Denna avhandling samlar nyckelbegrepp och introducerar nya funktioner för autonom hantering i cyberfysiska system genom att sammanställa insikter från befintliga studier och adressera deras begränsningar. Den presenterar ett ramverk för att utforma inlärningsbaserade agenter som utnyttjar datasyntes för att uppnå autonom hantering. Vidare utvecklas datadrivna metoder som kombineras med kunskapsbaserade modeller för att förbättra situationsmedvetenhet och pålitlighet, samtidigt som de komplexa och svårgenomträngliga databehandlingsprocesserna i AI-drivna komponenter hanteras.

I denna avhandling är figur åtta kvantgrafen parametriserad av en parameter α undersökt. Symmetrier av grafen identifierades och utnyttjades för att hitta de reella egenfunktionerna som löser den fria Schrödinger ekvationen definierad på kvantgrafen. Analys av de statiska lösningarna avslöjar lokalisering av vågen och föränding av tecken av vågamplituden. Strukturen av amplituden antyder en möjlighet till existensen av Berrys fas i detta systemet vilket är av intresse att undersöka in framtida arbete. Slutligen beräknades "spår"-formeln av den parametriserade grafen.

För att kommuner ska kunna fatta välgrundade beslut om hantering av översvämningsrisker används översvämningsmodeller och karteringar som konsultföretag skapar. De osäkerheter som förekommer i modellerna försvårar dock användningen och ställer krav på konsulternas kommunikationsförmåga. Denna studie undersöker kommunikationsprocessen mellan tekniska konsulter och kommunala tjänstepersoner kring modellresultat och osäkerheter. Studien bygger på kvalitativa metoder, där enkät, sju semistrukturerade intervjuer och tematisk analys användes för att förstå den befintliga kommunikationen och potentiella förbättringsmöjligheter. Den tematiska analysen resulterade i fyra teman: aktörer, kommunikationsmedel, modellosäkerheter och användbarhet. Resultatet visar att kommunikationen av osäkerheter i översvämningsmodeller påverkas av teknisk komplexitet, behovet av att anpassa information till olika mottagare och organisatoriska faktorer. Konsulter anpassar sin kommunikation utifrån mottagarnas tekniska bakgrund, men har inte alltid tillgång till den helhetsbild som krävs för att göra en välgrundad avvägning. Detta kan leda till att viss information prioriteras bort. Tjänstepersoner efterfrågar information anpassad för åtgärder och tycker att det är svårt att tolka osäkerheter. Utifrån resultatet och tidigare forskning inom osäkerheter, risk och pedagogik formulerades nio rekommendationer: tydliggör uppdragets kommunikativa delar, säkerställ grundläggande modellförståelse vid uppstart, stegvis introduktion av teknisk information, inför mentorskap för kommunikation, säkerställ att visualiseringar inte används utanför sitt sammanhang, använd sammanfattningar och konkreta begreppsförklaringar, stärk konsultens kommunikativa identitet, fastställ syftet med rapporter och var transparent med osäkerheter.

Finita element (FE) människokroppsmodeller (eng: HBM) används ofta inom biomekanik för att utföra numeriska simuleringar. Positionering av dessa HBMs är dock ofta tidskrävande. Detta projekt syftade till att utvärdera en ny pipeline genom att rigga en HBM med mjukvaran Blender och positionera den med ett skript som utför radiell basfunktionsinterpolation (eng: RBF). För detta användes PIPER Child HBM.

Fyra poser, från simpla till mer komplexa, genererades i Blender och användes sedan som mål för interpoleringen. Resultaten var tvetydiga; den simpelt positionerade HBMen genererade inga visuella artefakter medan de mer komplexa poserna gjorde det. Alla målpositioner genererade element med problematiska Jacobianer.

Positionen för baslinjemodellen för PIPER Child HBM identifierades som olämplig för denna pipeline. För framtida forskning bör pipelinen i stället appliceras på T-positionerade baslinjemodeller, det vill säga modeller som är poserade ståendes upprätt med armarna utsträckta rakt ut åt sidorna. Påverkan som riggningsprocessen i Blender, liksom RBF- inställningarna, har på kvaliteten av positionerade HBMs behöver också undersökas.

Inom ramen för de globala målen för hållbar utveckling (SDG) som fastställts av Förenta nationerna har stadsområdens luftkvalitet framträtt som en betydande oro. Detta bekymmer betonas tydligt i mål 11, som syftar till att minska städers miljöpåverkan per capita fram till 2030. Målet understryker vikten av fokuserade insatser för att förbättra den urbana luftkvaliteten och effektiv avfallshantering på kommunal nivå och andra nivåer. Dessutom har Världshälsoorganisationens (WHO) globala riktlinjer för luftkvalitet lyft fram den direkta och akuta påverkan av skadliga antropogena utsläpp på människors hälsa. Att övervaka utsläpp, särskilt i samband med stadsföroreningar, har blivit en kritisk fråga. Luftkvaliteten i städer påverkas avsevärt av utsläpp från vägtransporter, vilket gör detta till ett viktigt område för förbättring. De flesta befintliga studier fokuserar dock främst på att övervaka och förutsäga utsläpp från vägtransporter, men saknar ett omfattande administrativt ramverk för att ta itu med denna fråga på ett holistiskt sätt. Denna forskning syftar till att fylla denna lucka genom att föreslå ett proaktivt tillvägagångssätt för utsläppsmätning och avkarbonisering av vägtransporter genom en heltäckande systemstrategi. För att uppnå detta introducerar studien ett demonstrativt ramverk bestående av två centrala komponenter: en modell för utsläppsberäkning och administrativa åtgärder. Det första steget innebär insamling av data från trafikdetektorer för att sammanställa en dataset som beskriver trafikförhållandena i det målområde som studeras. Med tanke på de utmaningar som finns vid insamling av utsläppsdata i verkligheten arbetar studien med begränsad information – och förlitar sig endast på trafikflödes- och genomsnittlig hastighetsdata. Genom att använda hybridanalytiska tekniker identifierar studien datatrender i en utvald fallstudie med fokus på Lilla Essingen, en stadsdel i Stockholm, Sverige. Utsläppsberäkningar görs för olika dataprofiler, såsom vardag jämfört med helg och arbetsdag jämfört med icke-arbetsdag. Antaganden om fordonsflottans sammansättning i Stockholm görs för att omvandla rådata, i form av trafikflöde och genomsnittlig hastighet, till utsläppsmått. Genom att inkludera de upptäckta datamönstren förbättrades modellens prestanda med 3 % till 8 % i termer av MAPE (%) och med 0,06 till 0,1 i termer av R2-värdet för trafikflödesdata. För genomsnittlig hastighetsdata var förbättringen mellan 0,5 % och 3 % i termer av MAPE (%) och mellan 0,05 och 0,1 i termer av R2-värdet. Dessa resultat understryker vikten av att beakta periodiska datamönster för att förbättra den prediktiva noggrannheten. Resultaten av fallstudien fungerar som en grund för ett systeminriktat tillvägagångssätt, utformat för att ta itu med problemet med luftkvaliteten i städer genom metoder för utsläppsberäkning och administrativa åtgärder. En central del i detta tillvägagångssätt är att involvera trafikmyndigheterna och bilförarna. Förare uppmuntras att vidta nödvändiga åtgärder genom införandet av en variabel prissättningsmekanism, exemplifierad av trängselskatten, som fastställs av trafikmyndigheterna. Denna studie bidrar på två betydande sätt. För det första tillhandahåller den ett demonstrativt ramverk för att uppskatta och kvantifiera föroreningar under begränsad information, vilket möjliggör en bättre förståelse och hantering av urbana luftkvalitetsfrågor. För det andra introducerar den systemanalysen för implementeringen av variabla prissättningsmekanismer och främjar hållbara lösningar för att mildra effekten av utsläpp från vägtransporter. Genom att implementera ett sådant tillvägagångssätt kan intressenter – inklusive förare och trafikmyndigheter – proaktivt ta itu med de utmaningar som vägtransportutsläpp innebär. Slutligen är målet att förbättra luftkvaliteten i städer genom omfattande övervakningssystem för vägtrafik, exakta utsläppsberäkningsmodeller och effektiva administrativa åtgärder.

Denna forskning undersöker användningen av livscykelanalys (LCA) i kombination med data-drivna verktyg för att utvärdera miljöpåverkan av etanolproduktion från sockerrör i Brasilien. Den huvudsakliga forskningsfrågan undersöker hur LCA kan bedöma dessa miljöpåverkningar, identifiera kritiska insatsfaktorer som påverkar olika kategorier av miljöpåverkan, samt hur integrering av LCA med data-drivna metoder kan förenkla LCA tidskrävande och lågflexibla utvärderingsprocess. Studien omfattar en omfattande miljöpåverkansbedömning, känslighets- och scenarioanalys för kritiska insatsfaktorer, och integrering av data-drivna verktyg för att förenkla utvärderingar. Metodologiskt tillämpar forskningen LCA genom dess fyra huvudsakliga steg—definiera omfattning, skapa en livscykelinventering, genomföra miljöpåverkansbedömning, och tolka resultat—genom att dela upp etanolproduktionsprocessen i tre steg: jordbruks-, transport- och industristegen. Resultaten visar att jordbrukssteget har störst påverkan inom flera kategorier och bidrar mest till global uppvärmningspotential (46.8 %), ozonnedbrytning (67.4 %), övergödning av sötvatten (69.6 %) och marint vatten (97.3 %), ekotoxicitet i sötvatten (68.6 %) och marint vatten (48.7 %), människotoxikologi (karcinogen 59.8 %, icke-karcinogen 64.2 %), samt markanvändning (94.2 %). Transportsteget är den primära bidragaren till ekotoxicitet på land (84.2 %), mineralresursbrist (44.3 %), och brist på fossila resurser (57.6 %), medan industristeget huvudsakligen påverkar försurning på land (60.64 %). Nyckelfaktorer som identifieras som kritiska insatsfaktorer inom flera miljöpåverkanskategorier inkluderar gödningsmedel, bekämpningsmedel, diesel, vatten, markanvändning, kalk, svavelsyra och fosforsyra. Till exempel, i kategorin global uppvärmningspotential, av totalt 25.6 g CO₂-ekvivalenta/MJ utsläpp, står jordbrukssteget för 12 g CO₂-ekv/MJ, där gödningsmedel bidrar med över 20 % av denna påverkan. Dessa kritiska insatsfaktorer fungerar som egenskaper för den data-drivna modellen, där data samlas in från olika litteraturkällor och raffineras i LCA-verktyget SimaPro för att skapa 90 datamängder som används för modellträning. En AdaBoost-modell med beslutsträd som regressionsmodell används för att förutsäga miljöpåverkan, med LCA-resultaten som träningsdatabas. Integrationen av LCA och AdaBoost-modellen visar hög anpassningsförmåga och noggrannhet vid förutsägelse av miljöpåverkan över olika produktionsvägar och funktionella enheter. Resultaten från AdaBoost-modellen visar ett deterministiskt koefficientvärde (R²) som varierar från 0.9 till 0.985 i testseten. Denna avhandling framhäver potentialen hos maskininlärning som ett värdefullt verktyg för att förutsäga miljöpåverkansbedömning inom hållbar bränsleproduktion, med möjligheter till vidare utveckling genom integrering av ytterligare data från fler LCA-studier.

DNA-nanostrukturer erbjuder en lovande plattform för precisionsmedicin med potential att rikta in sig på specifika celler, minska oönskade bieffekter och förbättra den terapeutiska effekten. I denna rapport presenterar jag utvecklingen av ett högkapacitetskandidatprediktionssystem utformat för att rangordna DNA-sekvenser baserat på deras predicerade nivåer av cellupptagning—vilket bemöter en betydande utmaning för forskning inom DNA. Systemet extraherar värdefulla egenskaper från DNA-sekvensläsningar och deras simulerade strukturer för att effektivt minska och prioritera de mest lovande kandidatsekvenserna i ett givet bibliotek för läkemedelsleverans. Detta uppnås genom att utveckla en prediktiv maskininlärningsmodell som tränas för att rangordna DNA-sekvenser efter deras förväntade cellupptagningsnivå. Dessutom integrerar systemet avancerade beräknings- och maskininlärningsverktyg i arbetsflödet, i linje med bredare trender inom innovation för beräkningsbaserad hälsovård.

Noggrann mätning av handkraft är avgörande för ergonomisk riskbedömning, men olika metoder kan ge varierande resultat. Denna studie jämför kraftmatchningsestimeringsmetoden och direktmätningsmetoden vid bedömning av handkraft samt deras inverkan på RAMP 2.0-riskpoäng.

Deltagarna genomförde en simulerad ostronöppningsuppgift, där kraften mättes med båda metoderna. Kraftmatchningsestimeringsmetoden krävde att deltagarna uppskattade procentandelen av sin maximala greppstyrka, medan direktmätningsmetoden registrerade den kraft som applicerades vid knivspetsen med hjälp av en microFET-dynamometer. Resultaten visade signifikanta skillnader (p < 0,001) mellan metoderna, vilket ledde till betydande variationer i RAMP-poängen. Kraftmatchningsmetoden reflekterade greppkraft, medan direktmätningen registrerade kraft som överfördes genom armen, vilket bidrog till mätavvikelser.

Dessa resultat understryker vikten av att välja en lämplig kraftmätningsmetod baserat på uppgiftens karaktär. När direkt mätning av krafterna som utvecklas av handen eller fingrarna i ett grepp eller vid tryck med fingrar inte är möjlig, är kraftmatchningsestimering ett lämpligt alternativ för att uppskatta den utövade kraften. Denna metod möjliggör en approximation av handkraftsapplikationen i situationer där direkta mätningar är opraktiska eller otillgängliga.Framtida forskning bör undersöka hur subjektiva och objektiva metoder kan integreras för att förbättra noggrannheten i riskbedömningar.

Att ha kod som fungerar korrekt i säkerhetskritiska system är avgörande för att undvika livshotande olyckor. Formell verifiering är ett verktyg som kan användas för att bevisa att koden gör vad som förväntas. För närvarande är det mycket manuellt arbete att skriva specifikationerna, kallade mjukvarukontrakt, som anger det önskade beteendet för koden. För att hjälpa till att göra formell verifiering mer lättanvändligt för stora kodbaser, som de som finns i industrin, har kontraktsinferens utvecklats. Kontraktsinferens är konceptet att automatiskt generera kontrakt för hjälpfunktioner. En verktygskedja för kontraktsinferens för C-program som kallas AutoDeduct har utvecklats. Den saknar för närvarande stöd för aritmetik med flyttal, något som mycket industrikod använder. Denna avhandling kommer att undersöka hur man kan lägga till de sista stegen för att möjliggöra detta stöd. Arbetet fokuserar på att översätta utdata från modellcheckern TriCera så att dess utdata kan tolkas som kontrakt även för program som innehåller flyttalsaritmetik. Huvudutmaningen är att identifiera mönstren i utdatan och skapa likvärdiga uttryck i kontraktsspråket. Översättningen bör inte heller vara en stor flaskhals i verktygskedjans prestanda. För att uppnådetta så föreslås en teoretisk översättning och sedan har översättningen implementerats i TriCera och utvärderats på kodexempel. Resultaten visar att översättningen fungerar bra, ser ut att vara korrekt och är effektiv. Implementeringen testades också på ett program som skalades i storlek med en parameter. Implementationen såg ut att skala bra till större kodbaser. Men inte all kod kunde verifieras helt med de genererade kontrakten. På grund av tidsbrist kommer orsaken till detta och vad som kan göras åt det att lämnas som framtida arbete.

Integrationen av förstärkningsinlärning (RL) med beteendeträd (BT) har framträtt som en lovande metod för styrsystem för robotar. När man tränar individuella subsystem inom en BT-sekvens leder dock lokal optimering ofta till suboptimal global prestanda. Denna utmaning är särskilt tydlig i manipuleringsuppgifter för robotar, där effektiviteten av efterföljande åtgärder är starkt beroende av resultaten från de föregående. Det här arbetet undersöker tillämpningen av värdefunktionsintegration vid växlingsgränser mellan BT-noder för att uppnå global optimering i uppgiftsse- kvenser för robotar. Medan tidigare forskning har visat metodens effektivitet i enkla scenarier som låd-skjutningsuppgifter, var dess tillämpbarhet på komplex manipulation, med högdimensionella tillståndsrum och komplex dynamik, fortfarande outforskad. Studien implementerar och utvärderar denna metod med hjälp av Unity ML-Agents och ABB CRB15000-manipulatorn i en simulerad miljö, med fo- kus på en kombinerad sekvens av grepp och insättning. Metoden införlivar den uppskattade värdefunktionen från insättningsuppgiften i belöningsstrukturen för grepptaget, vilket uppmuntrar beteenden som optimerar för hela sekvensen snarare än enskilda komponenter. Resultaten visar betydande förbättringar jämfört med basnivån över flera mätetal. Metoden för värdefunktionsintegration uppnådde konsekvent djupare insättningar, högre kumulativa belöningar och förbättrad effektivitet vad gäller totalt antal steg som krävs, samtidigt som en överlägsen framgångsfrekvens bibehölls. Statistisk analys bekräftar signifikansen av dessa förbättringar med stora effektstorlekar för viktiga prestandamått. Dessa fynd utvidgar det teoretiska ramverket för värdefunktionsintegration till praktiska robotapplikationer och ger en grund för utveckling av mer sofistikerade styrsystem. Den demonstrerade framgången i komplexa manipu- leringsuppgifter antyder potentiella tillämpningar inom olika robotdomäner, särskilt där uppgiftssekvensering och global optimering är avgörande för systemets prestanda.

Denna avhandling undersöker effekten av att ändra inmatningsfördelningen från Gaussisk till enhetlig i Over-the-Air-beräkningssystem (OAC) som använder nolltvingat artificiellt brus. OAC utnyttjar superpositionsprincipen hos trådlösa kanaler för att direkt beräkna funktioner över luften, vilket minskar kommunikationsöverhead i distribuerade system som Internet of Things (IoT)-nätverk. Den sändande naturen hos trådlösa kanaler gör dock OAC-system sårbara för avlyssning. Traditionella metoder för att förbättra säkerheten antar Gaussiska inmatningsfördelningar, vilket kanske inte återspeglar praktiska scenarier där data kommer från olika källor. Forskningen utvecklar ett säkert OAC-ramverk som integrerar enhetligt fördelade inmatningar med nolltvingat artificiellt brus. Teoretisk analys och omfattande simuleringar genomförs för att utvärdera medelkvadratfelet (MSE) både vid den legitima mottagaren och avlyssnaren under enhetlig inmat- ningsfördelning. Resultaten visar att användningen av enhetligt fördelade inmatningar avsevärt förbättrar säkerheten genom att upprätthålla ett högt MSE hos avlyssnaren över alla signal-brusförhållanden (SNR), medan den legitima mottagarens prestanda förblir opåverkad. Däremot tillåter Gaussiska inmatningar avlyssnaren att förbättra sin uppskattningsnoggrannhet vid högre SNR, vilket indikerar en säkerhetsrisk. Detta arbete visar att valet av inmatningsfördelning är en kritisk faktor i utformningen av säkra kommunikationssystem. Genom att använda enhetligt fördelade inmatningar och nolltvingat artificiellt brus kan OAC-system uppnå förbättrad säkerhet utan att kompromissa med beräkningsnoggrannheten för legitima användare. Avhandlingen ger värdefulla insikter och rekommendatio- ner för att designa säkra OAC-system med icke-Gaussiska inmatningar, vilket bidrar till utvecklingen av säkra trådlösa kommunikationsprotokoll.Koden som användes i detta projekt finns här∗.

Fordonstillverkare som Scania använder en stor variantflora av viskofläktar, dessa har stor betydelse för kylsystemet. Fläktarna kräver stora mängder energi vid inkoppling och för höga varvtal genereras höga ljud. Därför är det viktigt att regulatorn är väl kalibrerad och endast används när kylbehovet finns. Den stora variantfloran av fläktar och kylsystemskomponenter gör att en icke optimal kalibrering används som fungerar tillräckligt tillfredställande för de flesta varianterna. Detta kan förbättras genom att nyttja en adaptiv reglerstrategi. När en sådan metod används på en viskofläkt bör regulatorn kunna kompensera för åldring av systemet, men även kunna minska behovet av att genomföra en kalibrering för nya fläktvarianter. Därmed bör tid kunna sparas för framtida installationer. I denna uppsats presenteras en metod för att identifiera viskofläktens dynamiska system och systemets viktigaste egenskaper. Därtill presenteras implementeringen av en adaptiv regulator för olika viskofläktar med olika dynamiska egenskaper. Metoden använder en klassisk indirekt självadapterande regulator. För att säkerställa att regulatorn kan kompensera för abrupta och långsamma förändringar av systemets dynamik används den traditionella rekursiva metoden med en adaptiv faktor som bestäms av oskarp logik. Implementeringen har utvärderats i simulering, där resultaten visar att den adaptiva regulatorn kan reglera önskat fläktvarvtal under snabba som långsamma förändringar av systemdynamiken för olika fläktar. Resultaten jämförs med tidigare arbete inom området och med Scanias nuvarande reglerstrategi.

I detta arbete presenterar vi ett nytt säkerhetssystem för intelligenta regioner som möter utmaningarna med att koordinera uppkopplade och automatiserade fordon. Intelligenta regioner omfattar områden som korsningar, motorvägar och stadsgator, där trafiken hanteras av intelligenta transportsystem som anpassar sig till realtidsförhållanden, regionala trafikmönster och specifika händelser. Med hjälp av temporallogik och nåbarhetsanalys erbjuder vår metod starka säkerhetsgarantier över olika trafiksituationer. Inledningsvis definierar vi det önskade beteendet för alla fordon som navigerar genom korsningen med hjälp av temporallogiska påståenden i form av en säkerhetsspecifikation. Därefter dekonstrueras specifikationen automatiskt till en sekvens av mindre, hanterbara Hamilton-Jacobi nåbarhetsanalyser genom en nyligen utvecklad beräkningsmetod kallad temporala logikträd. Detta möjliggör automatiserad verifiering av fordonsbeteenden och en explicit avvägning mellan säkerhet och effektivitet. I detta steg tilldelas fordonen färdvägskorridorer som garanterar att både traditionella trafikregler och specifika beteendekrav uppfylls. Vi fastställer även säkra körgränser för att säkerställa att fordonen förblir inom sina tilldelade korridorer. Vårt system demonstreras genom simuleringar av trevägs- och fyrvägs-korsningar, där fordon med potentiellt kolliderande färdvägar garanteras säker passage.

Fusionsforskning har varit en utmaning i flera decenier och en viktig aspekt är den diagnostik som krävs för att styra en fusionsplasma-enhet. Här är plasmatäthet och elektrontemperatur två viktiga kvantiteter av plasmor att kunna mäta i en nukleär fusionsanordning. Ett flertal tekniska metoder finns för att bestämma dessa kvantiteter längs med enskillda linjer genom plasmat, men för att få en hel rumslig profil på tätheten och temperaturen måst en annan metod användas. Ljuset som avges av ett plasma är lätt att bestämma om tätheten och temperaturen är känd, men inversproblemet är mycket mer svårhanterligt. I denna examensrapport kommer möjligheten att inferrera tätheten och temperaturen via Bayesisk parameterinferens med en optisk kamera filtrerad till Balmer-alpha emissioner att analyseras. En modell över plasmat som beror på 9 olika parametrar tas fram följt av inferens av parameterarna baserat på syntetisk data i form av en referensbild genererad med kända parametervärden. 5 av 9 form-parametrar och en parameter för bild-brus, var möjliga att inferera. Inferenskoden som utvecklades visade sig också ge bra resultat för både välbestämda och mindre välbestämda parameter- priors. Dock blev den genomsnittliga beräkningstiden 3 gånger längre för mindre välbestämda priors. Felen i densitet och temperatur-profilerna relative de sanna profilerna var mindre än 20% i bulk-plasmat. Noggrannheten av de infererade densitet och temperatur-profilerna visade sig ha ett radiellt beroende från plasmats symetriaxel, där de relativa felen ökade närmare plasmats rand.

Retinerade hörntänder uppkommer främst hos barn, och innebär att den permanenta hörntanden inte trängt fram när den ska. Behandlingen av retinerade hörntänder är invecklad, där en försenad behandling kan innebära komplikationer. Panoramaröntgen, en sorts 2D-bildtagning, är vanligt före- kommande för diagnosering av retinerade hörntänder. Denna modalitet har däremot begränsningar som kan försvåra diagnostiken. I mer komplicerade fall kan datortomografi av tänder (CBCT) användas för att erhålla en 3D- volymbild. Jämfört med panoramaröntgen kan CBCT erbjuda en högre diagnostisk noggrannhet för rotresorption och lokalisering av hörntanden. Däremot avger CBCT en betydligt högre strålningsdos till patienten, och dess användning ska vara väl motiverad. Denna avhandling utforskar möjligheten att använda maskininlärningsmetoder för att förutse om en patient med retinerade hörntänder behöver CBCT-utvärdering givet en panoramaröntgen. Med en datamängd bestående av 109 panoramaröntgenbilder, skapas först baslinje-modeller tränade på numeriska värden uppmätta från dessa panora- mabilder. Dessa baslinje-modeller jämförs sedan med djupinlärningmetoder som utnyttjat metoder inom bildklassificering. Närmare bestämt utforskar denna avhandling en metod som involverar autokodare uppbyggda av faltningsnät, samt en metod som innefattar finjustering av en tidigare tränad visionstransformator. Den jämförande studien visar att den bästa baslinje-modellen uppnår ett F1-tal på 0.40 och ett AUROC tal på 0.56. I djupinlärningsdelen av studien undersöktes två instanser av autokodare, och två instanser av finjustering av en visionstransformator. Bland dessa kunde en implementation av en autokodare uppnå högre resultat än basnivån, med ett F1-tal på 0.60 och en AUROC på 0.81. Denna implementation hade en kodare som halverade inmatningsstorleken, som parades ihop med en linjär stödvektormaskin för klassificering. Resultaten indikerar en potential i de undersökta metoderna, men understryker behovet av en större datamängd för att noggrant utvärdera deras lämplighet för uppgiften.

Epitaxiella tillväxtförhållanden för galliumantimonid (GaSb) i en metallor- ganisk ångfas-epitaxireaktor (MOVPE) studerades brett. Vid homoepitaxi undersöktes ytpreparering, prekursorarter, V/III-förhållande, tillväxttemper- atur, prekursorpartialtryck och tillväxtlängd. Tri-Methyl Antimon (TMSb) och Tri-Methyl Gallium (TMGa) visade sig ge mer exakt kontroll av V/III- förhållandet till priset av en 3 gånger högre tillväxthastighet än TMSb och Tri-Ethyl Gallium (TEGa). Modulering av V/III-förhållandet visade sig utöva kontroll över storleken, formen och frekvensen av kullar, medan temperaturen noterades för att förändra förhållandena vid vilka dessa effekter ägde rum. Alla homoepitaxiala tillväxter hade en 5 μm x 5 μm Atomic Force Microscopy (AFM) skanning med Root Mean Square (RMS) grovhet under 1 nm. För heteroepitaxi testades tillväxtprocedurer som modulerar gränssnittet mellan galliumarsenid (GaAs) och GaSb, såsom Interfacial Misfit-Array Formation (IMF) innan en slutlig tillväxt på en Si-wafer med GaAs försöktes. Heteroepitaxiella studier visade att en koppling mellan plan morfologi och kristallinitet var närvarande. Det bästa Full Width Half Max-värdet (FWHM) från en omega-skanning på GaSb-skiktet som uppnåddes var 465 bågsekunder med en RMS-råhet på 3 nm för en 5 μm x 5 μm skanning, i en tillväxt som fullbordades med IMF-procedurer, jämförbar med arbete slutförts i andra labb. Tillväxt på Si-substrat visade mycket högre FWHM och sämre grovhet men visar utrymme för förbättring.

Ökningen av IoT-enheter och framsteg inom området har skapat ett behov av innovativa lågströmskommunikationsmetoder. Bakåtspridningskommu- nikation erbjuder en lovande lösning för energieffektiv drift av ZED- enheter. Genom att reflektera befintliga signaler istället för att generera nya, kommunicerar dessa enheter med minimal energiförbrukning, vilket gör dem lämpliga för omfattande användning. En stor utmaning inom bakåtspridnings- kommunikation är att hantera självintrång, där den reflekterade signalen kan störa den ursprungliga bärarsignalen, särskilt i monostatiska uppsättningar. Harmonisk bakåtspridning föreslås som en lösning på detta problem genom att flytta den reflekterade signalen till en harmonisk frekvens, vilket isolerar den från bäraren och därmed eliminerar självintrång. Dock har dess modellering och effektivitet jämfört med traditionell bakåtspridning inte undersökts grundligt. Denna avhandling utvecklar en matematisk modell för harmonisk bakåtspridning och utvärderar dess prestanda i termer av BER mot SNR, och jämför den med vanlig bakåtspridning i både monostatiska och bistatiska uppsättningar. Studien använder teoretisk modellering och simuleringar för att bedöma olika scenarier av störningar och brusförhållanden. Resultaten visar att harmonisk bakåtspridning överträffar vanlig bakåtspridning, särskilt i miljöer med hög störning, genom att erbjuda en renare signal med lägre BER. Avhandlingens resultat är av stor betydelse för att förbättra bakåtsprid- ningskommunikationssystem inom IoT. Genom att minska självinterferens möjliggör harmonisk backscattering mer tillförlitlig ZED-kommunikation, vilket stödjer framtida innovationer och framsteg inom IoT-teknologi, samtidigt som det bidrar till hållbar utveckling genom att minska energiför- brukningen hos IoT-enheter.

Att upptäcka anomalier i driftsdata är avgörande för att effektivt övervaka systemets prestanda och säkerställa driftsäkerhet. Komplexiteten och variabi- liteten hos operativa data, särskilt vid avvikelsedetektering inom multivariata tidsseriedata, utgör dock en kontinuerlig utmaning på grund av behovet av analys över både tidsmässiga och rumsliga dimensioner. Olika AI-drivna metoder, inklusive Recurrent Neural Networks (RNN) och Convolutional Neural Networks (CNNs), används ofta för att bearbeta och analysera tidsseriedata. Även om dessa modeller visar lovande prestanda, kämpar de ofta med tolkningsbarhet på grund av deras komplexa arkitekturer och den implicita analysen av rumsliga och tidsmässiga relationer. Graph Neural Networks (GNN) har dykt upp som lovande verktyg för att explicit analysera komplexa beroenden och relationer i data genom att aggregera grannarna och deras relationer, men de stöter på svårigheter när de arbetar med ostrukturerade indata. För att övervinna denna utmaning presenterar denna avhandling ett tillvägagångssätt som integrerar Self-Organizing Maps (SOM) med GNN. Genom att konvertera ostrukturerade tidsseriedata till grafliknande strukturer förbättrar SOM GNN:s förmåga att skilja mellan normala och avvikande mönster. Modellen utvärderades på flera offentliga datauppsättningar, och resultaten indikerar att den föreslagna metoden överträffar befintliga benchmarkmetoder och uppnår det högsta F1-poängen jämfört med andra GNN-baserade modeller.

Att bevara den biologiska mångfalden och ge rättvis tillgång till infrastruktur och bostäder i städerna är avgörande för att upprätthålla och förbättra medborgarnas livskvalitet. Mot bakgrund av klimat- och bostadskrisen är det viktigt att tänka om när det gäller städer och bygga tätare i stor skala för att begränsa stadsutbredning och markförstöring och samtidigt ge så många människor som möjligt god tillgång till arbetstillfällen och infrastruktur som är koncentrerade till stadsområden. Uppförandet av en byggnad på en tomt är föremål för icke-konvexa geometriska begränsningar som härrör från lokala stadsbestämmelser, såsom stadsplaneringsregler eller arkitektoniska begränsningar. Hänsyn tas till begränsningar avseende maximal golvyta, avstånd mellan byggnader och maximal höjd. Denna avhandling behandlar utmaningen att optimera parametrarna för byggnaderna, såsom längd, bredd, rotationsvinkel, höjd och position på en tomt för att maximera den beboeliga ytan genom att använda algoritmer för förstärkt inlärning. Olika alternativ för modelleringsmiljön och handlingsutrymmet för agenten för förstärkt inlärning utforskas för att utvärdera prestandan när det gäller den beboeliga ytan för de genererade byggnaderna och förmågan att hantera de geometriska begränsningarna. Fyra state-of-the-art algoritmer för förstärkt inlärning jämförs kvantitativt och kvalitativt: Advantage Actor- Critic (A2C), Deep Q-Learning (DQN), Proximal Policy Optimisation (PPO) och Deep Deterministic Policy Gradient (DDPG). Resultaten visar att vektorbaserad modellering är ett bättre val än bildbaserad modellering, både för att parametrarna representeras på ett mer koncist sätt och för att beräkningshastigheten förbättras. Dessutom ger det bättre resultat att tillåta mer flexibilitet från agentens sida genom ett kontinuerligt handlingsutrymme än att förlita sig på ett diskret handlingsutrymme. Den algoritm som fungerar bäst bland de fyra testade algoritmerna är A2C. Kvantitativt är resultaten bättre än de andra när det gäller beboelig yta och kvalitativt presenterar den en bra utforskningsstrategi för att hitta den maximala beboeliga ytan. Även om robustheten och precisionen kan förbättras, ger denna metod lovande resultat när det gäller att förse stadsaktörer med verktyg för att bedöma städernas potential.

Detta examensarbete utforskar tillämpning av AI-driven anomalidetektering inom identitets- och åtkomsthanteringssystem (IAM), med fokus på Serix IAM-systemet. Projektet undersöker användningen av Isolation Forest- algoritmen för att upptäcka avvikelser i åtkomsträttigheter per individ och implementerar ett bevis av koncept. Implementeringen integreras direkt med IAM-systemets databas och inkluderar ett applikationsprogrammerings- gränssnitt (API) för att trigga anomalidetekteringsprocessen från serversidan av IAM-systemet. I webbgränssnittet för IAM-systemet implementeras ett användargränssnitt för att konfigurera modellparametrar för Isolation Forest och granska personer med avvikelser. Resultatet av projektet visar att det är genomförbart att implementera AI-driven anomalidetektering och lyfter fram både dess tidsbesparande potential och dess begränsningar i att kontextualisera de upptäckta avvikelserna.

Traditionella vin- och matkombinationer bygger i stor utsträckning på sommelierers expertis, som genom flera rundor av interaktioner med användare tillhandahåller personliga rekommendationer. Men professionella sommeliertjänster är oftast begränsade till exklusiva restauranger eller specifika platser, vilket gör det svårt för användare att få tillgång till rekommendationer på ett bekvämt, effektivt och ekonomiskt sätt. För att lösa detta problem introducerades maskininlärning i rekommendationssystem för vin- och matkombinationer, vilket möjliggjorde snabba och smidiga rekommendationer baserade på historiska data. Maskininlärningsmodeller är dock beroende av fördefinierade träningsdatamängder, vilket leder till svag prestanda vid hantering av nya kombinationer och svårigheter att dynamiskt anpassa sig till användarens personliga behov. Mot denna bakgrund utforskar denna studie potentialen hos förtränade språkmodeller för vin- och matkombinationer och jämför deras rekom- mendationseffektivitet med maskininlärningsmodeller. För att möjliggöra en omfattande jämförelse utvecklades ett prototypsystem där användare kan testa och utvärdera rekommendationerna från båda modellerna. Användarna betyg- satte kvaliteten på rekommendationerna utifrån flera dimensioner, inklusive tillfredsställelse, noggrannhet, relevans, gränssnittets användarvänlighet och svarshastighet, vilket möjliggör kvantitativ analys av modellernas prestanda. Kvalitativa insikter kompletterades ytterligare genom användarintervjuer. Resultaten från användarstudien visade att förtränade språkmodeller uppvisar betydande anpassningsförmåga vid hantering av nya kombinationsscenarier och är särskilt bra på att ge personliga rekommendationer baserade på användarpreferenser, såsom smakprofiler, matstunder och kostbegränsningar. Dessa resultat visar att förtränade språkmodeller har stor potential att optimera rekommendationer för vin och mat, och erbjuder mer flexibla och exakta lösningar för att möta olika användarbehov.

Denna avhandling behandlar viktiga utmaningar när det gäller att upptäcka avvikande värden, kalibrera billiga CO2-sensorer och förutsäga kortsiktiga CO2-nivåer vid miljöövervakning. Lågkostnadssensorer uppvisar ofta noggrannhetsdrift och begränsad precision, vilket minskar tillförlitligheten hos de data de genererar. För att mildra dessa problem har vi undersökt avancerade metoder för detektering av avvikelser, sensorkalibrering och korttidsprognoser. Detektering av avvikande värden är ett primärt fokus eftersom avvikande värden kan snedvrida sensordata och leda till felaktig analys, och genom att ta bort dem säkerställs mer tillförlitliga resultat för framtida databehandling, med hjälp av både ARIMA (AutoRegressive Integrated Moving Average) och DBSCAN (Density- Based Spatial Clustering of Applications with Noise) metoder. ARIMA identifierade effektivt temporala avvikelser genom residualanalys, medan DBSCAN hanterade rumslig klusterbaserad avvikelsedetektering. Utvärdering med hjälp av ROC- kurvan bekräftade metodernas robusthet, vilket avsevärt förbättrade kvaliteten och tillförlitligheten hos sensordata. För sensorkalibrering introducerar avhandlingen Deep Calibration Method (DeepCM), som använder djupinlärning för att modellera komplexa, icke- linjära sensorbeteenden. Inom detta ramverk uppnådde Sliding Window Supervised Calibration-metoden de bästa resultaten, med ett Root Mean Square Error (RMSE) på 4,56 ppm, vilket avsevärt förbättrade kalibreringsnoggrannheten jämfört med andra metoder. I den kortsiktiga förutsägelsen av CO2-nivåer användes olika LSTM-modeller (Long Short-Term Memory), inklusive LSTM-modellen med en enda sensor, LSTM-modellen med en enda sensor och kodning och avkodning samt LSTM-modellen med kodning och avkodning med flera sensorer. Single-sensor LSTM-modellen presterade särskilt bra och uppnådde en RMSE på 2,19 ppm och ett medelabsolutfel (MAE) på 1,64 ppm, vilket visar överlägsen förutsägelsesnoggrannhet jämfört med traditionella tidsseriemodeller. Sammantaget betonar detta arbete vikten av robust detektering av avvikelser, noggrann kalibrering och effektiv kortsiktig prognos för att förbättra prestandan hos billiga CO2-sensorer för verkliga miljöövervakningstillämpningar.

I autonoma system är robust spatiotemporal planering, det vill säga planering i tid och rum, avgörande för att navigera i komplexa miljöer, där noggrann koordinering av banor och tidsbegränsningar är kritisk. Signal Temporal Logic (STL) är en kraftfull formalism för att definiera dessa begränsningar, med kvantitativ semantik som erbjuder robusthetsmått som är viktiga för säkerhetskritiska och störningståliga applikationer. STL-baserad planering är dock beräkningsintensiv, vilket innebär utmaningar för realtidsapplikationer, särskilt i uppdrag med lång tidshorisont. Denna avhandling syftar till att ta itu med denna begränsning genom att utveckla en jämn, splinebaserad STL-kodning för ett STL-fragment som utesluter ”until”-operatorn och stöder rekursion på en nivå, inklusive operatörerna ”eventually-always” och ”always-eventually”, vilket möjliggör effektivare banplanering. Kodningen, som är utformad för en Crazyflie 2.1-drönare med fyra rotorer, utnyttjar ”rest-to-rest”- och ”Catmull-Rom”-splines, som frikopplar antalet optimeringsvariabler från STL-horisontlängden för att förbättra beräkningseffektiviteten vid längre uppdrag. Utvärderat över diverse riktmärken förbättrade kodningen prestandan jämfört med tidigare STL-planeringsmetoder, med lösningstider som skalar mer effektivt med horisontlängden. För ytterligare validering tillämpade vi kodningen i en numerisk simulering av en Crazyflie 2.1 som utförde en komplex ”reach-avoid”-uppgift och uppnådde robust banföljning med förbättrade lösningstider, även om den fortfarande är begränsad för mer krävande realtidsapplikationer.