<p>Idag finns det ett flertal sätt att störa en radar, med vilket man kan uppnå olika mål. Till exempel kan man skapa kaos med så kallad mättad störning då den åstadkommer ett stort antal falska radarmålspår. Det går också att förvirra flygledningen genom att använda så kallad vilseledande störning som kan skapa falskmål som beter sig precis som riktiga flygplan. I militära sammanhang är man van att tänka i dessa banor och förväntar sig att utsättas för störningar. I civila tillämpningar förväntar man sig inte att få sin radar störd och har därmed inga rutiner för att hantera en sådan störning. Denna svaghet skulle kunna användas av t.ex. terrorister som en del eller helhet av en större operation.</p><p>En lösning på detta problem vore att använda datafusion på målspår från flera olika radarstationer för att filtrera bort störningarna. Då radarstationer drabbas olika när en störning appliceras kan störningarna sorteras bort då datafusion jämför likheter mellan målspåren. Målspåren som skapas av störningarna skiljer sig mellan radarstationerna medan de riktiga flygplanens målspår har lika egenskaper oavsett radarstation. Datafusionen fusionerar de målspår som har överensstämmelse mellan de olika radarstationerna medan de övriga målspåren ignoreras.</p><p>Syftet med detta examensarbete har varit att visualisera vilka problem som dessa radarstörningar kan orsaka för flygledningen samt hur dessa kan lösas med datafusion av olika radarstationers målspår. Denna uppgift kan delas upp i två huvuddelar. Dels behöver en demonstrator utvecklas som kan visualisera radarstörningarna och datafusionen och dels så behöver ett par visualiserbara scenarion bestämmas. Ett distribuerat simuleringssystem utvecklat av FOI har använts som en grund till denna demonstrator och utvecklats för att kunna visualisera radarstörningarna och datafusionen.</p><p>För att få underlag till de scenarion som skulle visualiseras har en intervju gjorts med Luftfartsverket, där förutsättningarna för ett sådant scenario diskuterades. Vidare har en litteraturstudie kring grafisk presentation gjorts inför designandet av demonstratorn. För att få återkoppling på demonstratorn genomfördes även ett test med Luftfartsverket där de via mejl fick svara på frågor kring två bifogade filmatiseringar.</p><p>Detta examensarbete har resulterat i en prototyp till en demonstrator med två simulerbara scenarion. Dessa scenarion har filmatiserats för att vara mer lätthanterliga vid presentationer.</p>

Idag finns det ett flertal sätt att störa en radar, med vilket man kan uppnå olika mål. Till exempel kan man skapa kaos med så kallad mättad störning då den åstadkommer ett stort antal falska radarmålspår. Det går också att förvirra flygledningen genom att använda så kallad vilseledande störning som kan skapa falskmål som beter sig precis som riktiga flygplan. I militära sammanhang är man van att tänka i dessa banor och förväntar sig att utsättas för störningar. I civila tillämpningar förväntar man sig inte att få sin radar störd och har därmed inga rutiner för att hantera en sådan störning. Denna svaghet skulle kunna användas av t.ex. terrorister som en del eller helhet av en större operation. En lösning på detta problem vore att använda datafusion på målspår från flera olika radarstationer för att filtrera bort störningarna. Då radarstationer drabbas olika när en störning appliceras kan störningarna sorteras bort då datafusion jämför likheter mellan målspåren. Målspåren som skapas av störningarna skiljer sig mellan radarstationerna medan de riktiga flygplanens målspår har lika egenskaper oavsett radarstation. Datafusionen fusionerar de målspår som har överensstämmelse mellan de olika radarstationerna medan de övriga målspåren ignoreras. Syftet med detta examensarbete har varit att visualisera vilka problem som dessa radarstörningar kan orsaka för flygledningen samt hur dessa kan lösas med datafusion av olika radarstationers målspår. Denna uppgift kan delas upp i två huvuddelar. Dels behöver en demonstrator utvecklas som kan visualisera radarstörningarna och datafusionen och dels så behöver ett par visualiserbara scenarion bestämmas. Ett distribuerat simuleringssystem utvecklat av FOI har använts som en grund till denna demonstrator och utvecklats för att kunna visualisera radarstörningarna och datafusionen. För att få underlag till de scenarion som skulle visualiseras har en intervju gjorts med Luftfartsverket, där förutsättningarna för ett sådant scenario diskuterades. Vidare har en litteraturstudie kring grafisk presentation gjorts inför designandet av demonstratorn. För att få återkoppling på demonstratorn genomfördes även ett test med Luftfartsverket där de via mejl fick svara på frågor kring två bifogade filmatiseringar. Detta examensarbete har resulterat i en prototyp till en demonstrator med två simulerbara scenarion. Dessa scenarion har filmatiserats för att vara mer lätthanterliga vid presentationer.

För att höja precisionen för ett positioneringssystem kan positionsdata från flera olika system kombineras. I detta arbete undersöks två metoder för kombination av positionsdata: kombination av väntevärdesriktiga estimeringar över tid och kalmanfiltrering (också benämnd som Standard Kalman Filtering). I arbetet undersöks hur kombinationen påverkar spridningen av den kombinerade datan genom tester utförda på data med varierande standardavvikelser. I arbetet undersöks också vilka avvägningar som behöver göras i valet mellan de båda föreslagna kombinationsmetoderna genom att jämföra minnesåtgång, exekveringstid och den resulterande spridningen för de båda metoderna. Resultatet av testerna visar att båda kombinationsmetoderna kan uppnå positionsdata med högre noggrannhet än vad positioneringssystemen uppnår var för sig. Kalmanfiltreringen presterar generellt sätt bättre och ökar dessutom den resulterande positionsdatans frekvens eftersom varje mätvärde från de olika positioneringssystem som kombineras resulterar i en ny estimerad position. / <p>Examensarbetet är utfört vid Institutionen för teknik och naturvetenskap (ITN) vid Tekniska fakulteten, Linköpings universitet</p>

Axlebox bearings are one of the most critical components of a rail vehicle with regard to safety. An axlebox bearing that breaks during operation can be dangerous for the passengers and expensive for the operator. In-service failure of axlebox bearings has been the cause of many catastrophic accidents. Thus, it is of utmost importance to predict bearing failures as early as possible. This will increase reliability and safety of the vehicle as well as reduce the vehicle maintenance cost. Monitoring of roller bearings is an active research eld, and many methods have been proposed by other researchers. Many of these methods employ complex algorithms to make the most use of the given measurements. The algorithms often lack interpretability and have high computational costs, making them dicult to employ in an on-board system. This thesis proposes an interpretable and transparent algorithm that predicts bearing damages with high accuracy. Meanwhile, it tries to retain interpretability as much as possible. The algorithm is based on Empirical Mode Decomposition (EMD) and Singular Value Decomposition (SVD). These two techniques extract essential and meaningful information from the axlebox accelerations. The algorithm is benchmarked on two benchmark datasets, and the results are compared to the respective literature. Then the algorithm is employed on the railway axlebox acceleration measurements that were taken on an axlebox test bench available at SWJTU. The proposed algorithm can be extended to incorporate additional measurements of dierent types, e.g. sound or temperature measurements. The incorporation of other types of measurements will improve the performance of the algorithm even further. / Axelbox lager är en av de viktigaste komponenterna i ett järnvägsfordon när det berör säkerheten. Ett axelbox lager som havererar under drift kan vara farligt for passagerarna och även dyrt för operatören. Driftfel av lagren har varit orsaken till många katastrofala olyckor. Därför är det av yttersta vikt att förutsäga lagerfel så tidigt som möjligt. Detta ökar fordonets tillförlitlighet och säkerhet samt minskar underhållskostnaderna. Mycket forskning har utförts inom övervakning av rullager. Många metoder använder komplexa algoritmer för att maximalt utnyttja matningarna. Algoritmerna saknar ofta tolkbarhet och har höga beräkningskostnader, vilket gör dem svåra att använda i ett integrerat system. Denna avhandling kombinerar era metoder för databehandling och maskininlärning till en algoritm som kan förutsäga lagerskador med hög precision, samtidigt som tolkningsförmågan bibehalls. Bland andra välkända metoder sa använder algoritmen Empirical Mode Decomposition (EMD) och Singular Value Decomposition (SVD) för att extrahera väsentlig information for vibrationsmätningarna. Algoritmen testas sedan med tre olika vibrationsdatamängder, varav en mättes specikt med tanke på simulering av axelbox lager. Ett annat mål med algoritmen är att göra den tillämpad för ytterligare mätningar. Det bör vara möjligt att inkludera mätningar av olika slag, dvs ljud- eller temperaturmätningar, och därigenom förbättra resultaten. Detta skulle minska implementeringskostnaden avsevärt eftersom befintliga sensorer används för detta ändamål. I händelsen av att de föreslagna metoderna inte fungerar med nya mätningar är det även möjligt att integrera ytterligare funktioner i algoritmen.

<p>Integrative approaches are motivated by the desired improvement of<br />robustness, stability and accuracy. Clustering, the prevailing technique for<br />preliminary and exploratory analysis of experimental data, may benefit from<br />integration across multiple partitions. In this thesis we have proposed<br />integration methods based on non-negative matrix factorization that can fuse<br />clusterings stemming from different data sets, different data preprocessing<br />steps or different sub-samples of objects or features. Proposed methods are<br />evaluated from several points of view on typical machine learning data sets,<br />synthetics data, and above all, on data coming form bioinformatics realm,<br />which rise is fuelled by technological revolutions in molecular biology. For a<br />vast amounts of &#39;omics&#39; data that are nowadays available sophisticated<br />computational methods are necessary. We evaluated methods on problem<br />from cancer genomics, functional genomics and metagenomics.</p> / <p>Предмет истраживања докторске дисертације су алгоритми кластеровања,<br />односно груписања података, и могућности њиховог унапређења<br />интегративним приступом у циљу повећања поузданости, робустности на<br />присуство шума и екстремних вредности у подацима, омогућавања фузије<br />података. У дисертацији су предложене методе засноване на ненегативној<br />факторизацији матрице. Методе су успешно имплементиране и детаљно<br />анализиране на разноврсним подацима са UCI репозиторијума и<br />синтетичким подацима које се типично користе за евалуацију нових<br />алгоритама и поређење са већ постојећим методама. Већи део<br />дисертације посвећен је примени у домену биоинформатике која обилује<br />хетерогеним подацима и бројним изазовним задацима. Евалуација је<br />извршена на подацима из домена функционалне геномике, геномике рака и<br />метагеномике.</p> / <p>Predmet istraživanja doktorske disertacije su algoritmi klasterovanja,<br />odnosno grupisanja podataka, i mogućnosti njihovog unapređenja<br />integrativnim pristupom u cilju povećanja pouzdanosti, robustnosti na<br />prisustvo šuma i ekstremnih vrednosti u podacima, omogućavanja fuzije<br />podataka. U disertaciji su predložene metode zasnovane na nenegativnoj<br />faktorizaciji matrice. Metode su uspešno implementirane i detaljno<br />analizirane na raznovrsnim podacima sa UCI repozitorijuma i<br />sintetičkim podacima koje se tipično koriste za evaluaciju novih<br />algoritama i poređenje sa već postojećim metodama. Veći deo<br />disertacije posvećen je primeni u domenu bioinformatike koja obiluje<br />heterogenim podacima i brojnim izazovnim zadacima. Evaluacija je<br />izvršena na podacima iz domena funkcionalne genomike, genomike raka i<br />metagenomike.</p>

Due to the escalating demand for traffic information and management, the significance of traffic state estimation, which involves the assessment of traffic conditions on road segments with limited measurement data, is increasing. Two primary estimation methods are model-driven and data-driven. The former uses traffic flow models, while the latter relies on extensive historical data to explore relationships between traffic states. Due to the uninterrupted nature of highway traffic flow, conventional model-driven approach is adopted in the study to estimate traffic information from sensing data. Data-driven approach is applied to enhance the estimation results. The project mainly focuses on comparing the estimation performance between the Particle Filter and the commonly used Extended Kalman Filter. These two methods are implemented in combination with two typical traffic flow models: Cell Transmission Model and METANET. Moreover, the project investigates the potential of using vehicle-to-everything (V2X) data in traffic state estimation, either alone or combined with traditional inductive loop detector (ILD) data. Being an emerging traffic data source, V2X communication has been recently installed and tested on the motorways near Stockholm. This study provides essential insights into how V2X data can benefit existing traffic information estimation and its performance. To evaluate the models mentioned above, the estimation algorithms and traffic flow models are implemented in a self-developed platform, which may be useful for further work. Results from simulation experiments show that Particle Filter can carry out traffic state estimation with comparable accuracy to Extended Kalman Filter. While standalone V2X speed data falls short, effective fusion methods are implemented to combine both data types, ultimately achieving the desired accuracy. These fusion methods encompass direct filtering, weighted averaging, and linear regression. Future investigations could broaden their scope to include new data sources, such as unmanned aerial vehicles (UAVs), and delve into advanced data fusion techniques, such as deep learning. / På grund av den ökande efterfrågan på trafikinformation och trafikhantering ökar betydelsen av trafiklägesuppskattning, vilket innebär bedömning av trafikförhållandena på vägsegment med begränsade mätningsdata. Två primära uppskattningsmetoder är modellbaserade och datadrivna metoder. Den förra använder trafikflödesmodeller, medan den senare förlitar sig på omfattande historiska data för att utforska samband mellan trafiklägen. På grund av det oavbrutna vägtrafikflödet antas en konventionell modellbaserad metod i studien för att uppskatta trafikinformation från sensordata. Den datadrivna metoden används för att förbättra estimatresultaten. Projektet fokuserar främst på att jämföra prestandan i uppskattningen mellan Partikelfiltret och den vanligtvis använda Extended Kalman Filter. Dessa två metoder implementeras i kombination med två typiska trafikflödesmodeller: Cell Transmission Model och METANET. Dessutom undersöker projektet möjligheterna att använda fordons-till-allt (V2X) data i trafiklägesuppskattning, antingen ensamt eller i kombination med data från traditionella induktiva slingdetektorer (ILD). Som en framväxande källa till trafikdata har V2X-kommunikation nyligen installerats och testats på motorvägarna nära Stockholm. Denna studie ger väsentlig inblick i hur V2X-data kan gynna befintlig uppskattning av trafikinformation och dess prestanda. För att utvärdera ovan nämnda modeller implementeras uppskattningsalgoritmerna och trafikflödesmodellerna i en självutvecklad plattform, vilket kan vara användbart för framtida arbete. Resultaten från simuleringsexperiment visar att Partikelfiltret kan utföra trafiklägesuppskattning med jämförbar noggrannhet jämfört med Extended Kalman Filter. Medan fristående V2X-hastighetsdata inte når hela vägen fram implementeras effektiva sammanslagningsmetoder för att kombinera båda datatyperna och slutligen uppnå önskad noggrannhet. Dessa sammanslagningsmetoder omfattar direkt filtrering, viktad medelvärdesbildning och linjär regression. Framtida undersökningar kan utvidga deras omfattning för att inkludera nya datakällor, såsom obemannade flygfordon (UAV:er), och utforska avancerade tekniker för datafusion, såsom djupinlärning.

Robust detection, localization, and tracking of objects are essential for autonomous driving. Computer vision has largely driven development based on camera sensors in recent years, but 3D localization from images is still challenging. Sensors such as LiDAR or RADAR are used to compute depth; each having its own advantages and drawbacks. The main idea of the project is to be able to mix images from the camera and RADAR detections in order to estimate depths for the objects appearing in the images. Fusion strategies can be considered the solution to give a more detailed description of the environment by utilizing both the 3D localization capabilities of range sensors and the higher spatial resolution of image data. The idea is to fuse 3D detections from the RADAR onto the image plane, this requires a high level of synchronization of the sensors and projections of the RADAR data on the required image. / Robust detektering, lokalisering och spårning av objekt är avgörande för autonom körning. Datorseende har till stor del drivit utvecklingen baserad på kamerasensorer de senaste åren, men 3D-lokalisering från bilder är fortfarande utmanande. Sensorer som LiDAR eller RADAR används för att beräkna djup; var och en har sina egna fördelar och nackdelar. Huvudtanken med projektet är att kunna blanda bilder från kameran och RADAR-detektioner för att uppskatta djup för de objekt som förekommer i bilderna. Fusionsstrategier kan anses vara lösningen för att ge en mer detaljerad beskrivning av miljön med både 3D-lokaliseringsförmågan hos avståndssensorer och den högre rumsliga upplösningen av bilddata. Tanken är att smälta samman 3D-detektioner från RADAR till bildplanet, detta kräver en hög nivå av synkronisering av sensorerna och projektioner av RADAR-data på den önskade bilden.