Vid analys av fluider med akustisk spektroskopi finns ett behov av att finna multivariata metoder för att utifrån akustiska spektra prediktera storheter såsom viskositet och densitet. Användning av artificiella neurala nätverk och bayesiska nätverk för detta syfte utreds genom teoretiska och praktiska undersökningar. Förbehandling och uppdelning av data samt en handfull linjära och olinjära multivariata analysmetoder beskrivs och implementeras. Prediktionsfelen för de olika metoderna jämförs och PLS (Partial Least Squares) framstår som den starkaste kandidaten för att prediktera de sökta storheterna. / When analyzing fluids using acoustic spectrometry there is a need of finding multivariate methods for predicting properties such as viscosity and density from acoustic spectra. The utilization of artificial neural networks and Bayesian networks for this purpose is analyzed through theoretical and practical investigations. Preprocessing and division of data along with a handful of linear and non-linear multivariate methods of analysis are described and implemented. The errors of prediction for the different methods are compared and PLS (Partial Least Squares) appear to be the strongest candidate for predicting the sought-after properties.

Introduktion: Tillväxt inom företag har noggrant studerats inom företagsekonomin. Forskningsfältet är väldigt heterogent och orsaker till varför tillväxt inom företag sker, skiljer sig åt anmärkningsvärt företag sinsemellan. Denna studie ska undersöka den fortsatta tillväxten hos ett urval gasellföretag. Tidigare studier inom fältet har huvudsakligen fokuserat på gasellföretagens tillväxt fram tills att de definieras som gasellföretag, inte perioderna efter hög tillväxt. Syfte: Denna studie vill därför undersöka den fortsatta tillväxten hos 652 gasellföretag i Sverige, under tidsperioden 2005 – 2015, samt vilka faktorer som tycks påverka tillväxten. Teori: Studien är huvudsakligen baserad på ett spritt urval av forskning inom tillväxtfältet, från tidigt 1900-tal och framåt. T.ex. Gibrat, Delmar &amp; Davidsson, Birch etc. Valet av undersökta variabler, som antas ha samband med tillväxt, har noggrant valts utefter denna litteratur.   Metod: En longitudinell panelstudie har genomförts där ett antal företagsspecifika variabler har samlats in och använts i ett antal multivariata analyser, där tillväxt agerat som beroende variabel. Tidigare studier om gasellföretag och tillväxt inom företag har fungerat som ett fundament och riktlinje för studien. Företagspopulationen är baserad på en lista av gasellföretag från 2005 skapad av den svenska näringslivstidningen Dagens Industri. Slutsats: Faktorer som gasellföretagens ålder och koncerntillhörighet påverkar deras fortsatta tillväxt. Även faktorer så som storlek, bransch och geografisk marknad antas i viss grad ha en påverkan på gasellföretagens tillväxt under mätperioden. / Introduction: Firm growth has been carefully studied in the field of business administration &amp; economics. The area is very heterogeneous and the cause of firm growth seem to differ substantially. This paper aims to investigate the growth of longtime gazelle firms. Earlier studies in the research area has mainly focused on the time up towards firms gain their reputation as gazelles. Purpose: This study therefore aims to investigate the further growth of 652 gazelle firms in Sweden, during the time of 2005 – 2015, and what variables which seem to influence their growth. Theory: The study is mainly based on a widespread sample of research in the field of firm growth, reaching from the early 20th century and towards. The selection of investigated firm variables, which is thought to correlate with firm growth, has been carefully selected on this basis. Method: A longitudinal panel has been conducted where a few firm specific variables has been collected and used in a series of multivariate analysis, where growth has acted a dependent variable. Earlier studies regarding gazelles and firm growth has acted as a fundament and guideline and the population is based on a list of gazelle firms conducted by the Swedish magazine Dagens Industri from year 2005. Conclusion: Factors such as the gazelle firms age and governance is thought to have an impact on their relative and absolute growth. Also factors such as initial size, industry and geographical market/origin seem to some degree have an impact on gazelle firms’ growth. / <p>Gällande förfrågningar om data som använts för studien kontakta antingen: munkert.j@gmail.com eller fhovlandahman@gmail.com </p>

Trots att det inom forskningsvärlden propageras för formativ bedömning, kan man i dagsläget notera en mycket stor variation gällande införlivandet av, samt effekter av, formativ bedömning i skolor. Metoder för att kartlägga formativ bedömningspraxis fordras för att kunna särskilja på ”god” respektive ”mindre god” formativ bedömningspraxis. Syftet med föreliggande uppsats var att, med hjälp av en elevenkät och multivariata projektionsmetoder såsom PCA och PLS-DA, kartlägga, och särskilja, formativ bedömningspraxis hos sex olika gymnasieklasser som genomfört kursen kemi 2. Ett sekundärt syfte var även att, med samma verktyg, försöka karakterisera och särskilja frekvenser av olika genomförda undervisningsmoment inom samma kurs och klasser. Studien visade, på ett grafiskt och illustrativt sätt, en stor variation av upplevelser av formativ bedömning inom de tillfrågade klasserna. Vidare visade sig PCA vara ett utmärkt verktyg för att identifiera elevsvar som låg utanför den ”normala” variationen. Genom en PLS-DA-analys påvisades en skillnad i frekvenser av genomförda undervisningsmoment mellan två kommunala och en privat skola – även om dessa resultat bör tolkas med en viss försiktighet.

Lower leg injury is an important issue in frontal car crash. Although safety in cars has been improved by developments such as seat belts and airbags, lower leg injuries have not been reduced. These injuries are not life threatening but can result in long term disability and cost a lot to society. This study focused on the passenger occupant in offset frontal crashes and aimed at understanding and finding ways to reduce the injury criteria for the lower leg: tibia index. A finite element model was simplified to introduce parameters which influence on tibia index was investigated with a multivariate analysis. The model simplification consisted in removing irrelevant parts and replacing other parts by simple foam blocks. More than 1300 simulations were run with different parameter values. The results were then analysed by calculating correlations and effects of the parameters on tibia index. It was concluded that the presence of a knee bolster decreased tibia index. The results also showed a decrease of tibia index when the toe pan was angled towards the legs of the passenger. Moreover, a correlation between tibia index and the movement of the feet during the crash was found. It was concluded that restrained lower legs also presented decreased tibia indices compared to unrestrained ones. Most of the results proved to be also valid on the initial, unsimplified finite element model. / Underbensskador är ofta förekommande vid frontalkrock. Även om fordonssäkerheten har förbättrats i och med utveckling av bland annat säkerhetsbälte och krockkudde, har antalet underbensskador inte minskat. Denna typ av skada är inte livshotande men kan resultera i långvariga besvär och kan leda till stora kostnader för samhället. Detta examensarbete fokuserar på passageraren vid frontalkrock (offset) och syftet var att skapa förståelse kring skadekriteriet för underben: tibia index, samt hitta lösningar på hur tibia index kan minskas. En finit elementmodell förenklades och parametrar introducerades. Parametrarnas påverkan på tibia index undersöktes med en multivariat analys. Modellen förenklades genom att eliminera några delar och ersätta andra delar med enkla block. Simuleringar med olika värden på parametrarna skapades och ungefär 1300 kördes. Värdena från simuleringarna analyserades genom att beräkna korrelation och effekt på tibia index. Resultaten visade att implementering av ett slags mjukt knäskydd påverkar tibia index positivt. De visade också att tibia index förbättrades när den främre delen av golvet vinklades mot passagerarens ben. Vidare, fanns en korrelation mellan tibia index och fötternas förflyttning under krockförloppet. Slutsatsen var att kontrollerade underben förbättrar tibia index i jämförelse med okontrollerade ben. De flesta resultaten stämde även för den ursprungliga modellen.

No description available.

Sustainability has gained a lot of attention in the field of research. Researchers and consumers both prioritize sustainability and environmental issues over previously dominant materials, such as plastic. Packaging and disposable items that used to be made of plastic have largely been replaced with paper. Unfortunately, paper does not perform as well as plastic regarding barrier properties against grease, oxygen, or water vapor. Barrier properties are an important factor when choosing packaging material for food, among other things, as they help maintain the shelf life of the product. In order to improve the properties of the paper packaging and expand its use, the paper is coated with a polymer. However, the polymer contributes to challenges in the recycling of the products as some of the polymer attaches to the fibers, causing difficulties in the separation of each material. Small fragments of plastic may end up in the material streams and the recycled pulp due to the existing challenges in completely removing plastic from cellulosic substrates during recycling. This thesis analyzes the possibilities of identifying and classifying plastic fragments of polyethylene (PE) and polyvinyl alcohol (PVOH) in recycled paper sheets using near-infrared spectroscopy together with multivariate data analysis. The purpose of the work is to develop models that can identify possible residues that may appear in recycled products from various industries. Paper sheets of two different grammages and six different compositions of recycled fiber and virgin fiber were created and scanned by NIR, with and without plastic film under the sheets. The scans were used to develop classification models to identify and categorize scans not included in the calibration data set. The performance of the models was tested by applying them to images of sheets of paper with plastic fragments of different sizes and different type underneath. The results indicated potential in the method. The prediction of the paper sheets with a lower grammage was mostly correct, whereas the classification of polyethylene showed the best performance. There was some noise in the prediction of the plastic fragments, regardless of the grammage of the paper. The noise may be due to a wide variation in the calibration data set since it consisted of paper sheets of six different compositions. A large part of the noise was incorrectly classified as polyvinyl alcohol, which can be due to differences in the manufacturing process of the plastic films. The conclusion of the thesis is that it is feasible to identify and categorize plastic fragments of polyethylene and polyvinyl alcohol in recycled paper sheets with a certain margin of error. It can be stated that the method shows promise, but further research and development in the field is required to build models that can be applied to a wider range of samples.

Collected data may simultaneously be of low sample size and high dimension. Such data exhibit some geometric regularities consisting of a single observation being a rotation on a sphere, and a pair of observations being orthogonal. This thesis investigates these geometric properties in some detail. Background is provided and various approaches to the result are discussed. An approach based on the mean value theorem is eventually chosen, being the only candidate investigated that gives explicit convergence bounds. The bounds are tested employing Monte Carlo simulation and found to be adequate. / Data som insamlas kan samtidigt ha en liten stickprovsstorlek men vara högdimensionell. Sådan data uppvisar vissa geometriska mönster som består av att en enskild observation är en rotation på en sfär, och att ett par av observationer är rätvinkliga. Den här uppsatsen undersöker dessa geometriska egenskaper mer detaljerat. En bakgrund ges och olika typer av angreppssätt diskuteras. Till slut väljs en metod som baseras på medelvärdessatsen eftersom detta är den enda av de undersökta metoderna som ger explicita konvergensgränser. Gränserna testas sedermera med Monte Carlo-simulering och visar sig stämma.

Machine Learning (ML) has revolutionized various domains, with biomedicine standing out as a major beneficiary. In the realm of biomedicine, Convolutional Neural Networks (CNNs) have notably played a pivotal role since their inception, particularly in applications such as time-series classification. Deep Convolutional Neural Networks (DCNNs) have shown promise in classifying electrocardiogram (ECG) signals. However, their deep architecture leads not only to risk for over-fitting when insufficient data is at hand, but also to large computational costs. This study leverages the efficient architecture of Mini-ROCKET, a variant of CNN, to explore improvements in ECG signal classification at Getinge. The primary objective is to enhance the efficiency of the Electrical Activity of the Diaphragm (Edi) catheter position classification compared to the existing Residual Network (ResNet) approach. In the Intensive Care Unit (ICU), patients are often connected to mechanical ventilators operating based on Edi catheter-detected signals. However, weak or absent EMG signals can occur, necessitating ECG interpretation, which lacks the precision required for optimal Edi catheter placement. Clinicians have long recognized the challenges of manual Edi catheter positioning. Currently, positioning relies on manual interpretation of electromyography (EMG) and ECG signals from a 9-lead electrode array. Given the risk for electrode displacement due to patient movements, continuous monitoring by skilled clinicians is essential. This thesis demonstrates the potential of Mini-ROCKET in addressing these challenges. By training the model on Getinge’s proprietary ECG patient dataset, the study aims to measure improvements in computational cost, accuracy, and user value as compared to previous work with Edicathere positioning at Getinge. The findings of this research hold significant implications for the future of ECG signal classification and the broader application of Mini-ROCKET in medical signal processing. / Maskininlärning har revolutionerat många områden, varav biomedicin som visat enorm utveckling. Inom biomedicin har konvolutionella neurala nätverk (CNNs) gjort stor positiv påverkan, särskilt inom tillämpningar som tidsserieklassificering. Djupa konvolutionella neurala nätverk (DCNNs) har visat lovande resultat inom elektrokardiogram (EKG) klassificering. Deras djupa arkitektur leder dock inte bara till risk för överanpassning med bägränsad data till handa, utan även till betydliga beräkningskostnader. Denna studie utnyttjar den effektiva arkitekturen av Mini-ROCKET, en variant av CNN, för att utforska förbättringar i EKG-signal klassificering på Getinge. Huvudmålet är att förbättra effektiviteten av Edi kateterpositionsklassificering jämfört med den befintliga Residual Network (ResNet) metoden. På intensivvårdsavdelningen (IVA) kopplas patienter ofta till mekaniska ventilatorer som fungerar baserat på Edi-kateter-detekterade signaler. Dock kan svaga eller frånvarande EMG-signaler förekomma, vilket kräver EKG-tolkning, som saknar den precision som krävs för optimal Edikateterplacering. Det är väl känt att det finns svårigheter för kliniker att positionera en matningssond utrustad med elektroder för att mäta Edi. För närvarande bygger positionering på manuell tolkning av elektromyografi (EMG) och EKG-signaler från en uppsättning av 9 elektroder. Med tanke på risken för elektrodförskjutning på grund av patientrörelser är kontinuerlig övervakning av erfarna användare nödvändigt. Denna avhandling visar potentialen av Mini-ROCKET för att ta itu med dessa utmaningar. Genom att träna modellen på Getinges proprietära EKGpatientdataset syftar studien till att mäta förbättringar i beräkningskostnad, noggrannhet och användarnytta jämfört med tidigare arbete inom Edi-kateter positionering på Getinge. Forskningens resultat har betydande implikationer för EKG-signal klassificeringens framtid och den bredare tillämpningen av Mini-ROCKET inom medicinsk signalbehandling.

High speed stream anomaly detection is an important technology used in many industry applications such as monitoring system health, detecting financial fraud, monitoring customer's unusual behavior and so on. In those scenarios multivariate data arrives in high speed, and needs to be calculated in real-time. Since solutions for high speed multivariate stream anomaly detection are still under development, the objective of this thesis is introducing a framework for testing different anomaly detection algorithms.Multivariate anomaly detection, usually includes two major steps: point anomaly detection and stream anomaly detection. Point anomaly detection is used to transfer multivariate feature data into anomaly score according to the recent stream of data. The stream anomaly detectors are used to detect stream anomalies based on the recent anomaly scores generated from previous point anomaly detector. This thesis presents a flexible framework that allows the easy integration and evaluation of different  data sources, point and stream anomaly detection algorithms. To demonstrate the capabilities of the framework,  we consider different scenarios with generators of artificial data, real industry data sets and time series data, point anomaly detectors of PYISC, SVM and LOF, stream anomaly detectors of DDM, CUSUM and FCWM. The evaluation results show that for point anomaly detectors, PYISC and LOF perform well when the distributions of features are known, SVM performs well even when the distributions of features are not known. For the stream anomaly detectors, DDM has some possibilities to get false anomaly detection, CUSUM has some possibilities to get failed when the stream anomalies increase slowly, while FCWM performs best with very low possibilities to get failed. / Höghastighet ström anomali detektion är en viktig teknik som används i många industriella tillämpningar såsom övervakningssystem för hälsa, upptäckande av ekonomiska bedrägerier, övervakning av kundernas ovanliga beteende och så vidare. I dessa scenarier kommer multivariat data i hög hastighet, och måste beräknas i realtid. Eftersom lösningar för höghastighet multivariat ström anomali detektion är fortfarande under utveckling, är syftet med denna avhandling att införa en ramverk för att testa olika anomali algoritmer. Multivariat anomali detektion har oftast två viktiga steg: att upptäcka punkt-avvikelser och att upptäcka ström-avvikelser.  Punkt- anomali detektorer används för att överföra multivariat data i anomali poäng enligt den senaste tidens dataström. Ström anomali detektorer används för att detektera ström avvikelser baserade på den senaste tidens anomali poäng genererade från föregående punkt anomali detektoren. Denna avhandling presenterar ett flexibelt ramverk som möjlig gör enkel integration och utvärdering av olika datakällor, punkt och ström anomali detektorer. För att demonstrera ramverkets kapabiliteteter, betraktar vi olika scenarier med  datageneratorer av konstgjorda data, verkliga industri data och tidsseriedata; punkt anomali detektorer  PYISC, SVM och Löf,  och ström anomali detektorer DDM, CUSUM och FCWM. Utvärderingsresultaten visar att för punkt anomali detektor har PYISC och LOF bra prestanda när datafördelningen är kända,  men SVM fungerar bra även när fördelningarna  inte är kända. För ström anomali detektor har DDM vissa sannolikhet att få falskt upptäcka avvikelser, och CUSUM vissa sannolikhet att misslycka när avvikelser ökar långsamt. FCWM fungerar bäst med mycket låga sannolikhet för misslyckande.

Visualisering är ett kraftfullt verktyg vid dataanalys, särskilt för att identifiera avvikelser. Att effektivt kunna identifiera felaktiga komponenter i elektronik kan förbättra och utveckla produktionsprocesserna avsevärd. Genom att tydligt visa korrelationen mellan felaktiga och fungerande komponenter kan analytiker identifiera nyckelkomponenter som orsakar defekta produkter.  Multivariata data och multivariata tidsseriedata ställer höga krav på visualiseringar på grund av deras komplexitet. Den höga dimensionaliteten kan leda till problem som överlappning och dolda mönster beroende på vilken visualiseringsteknik som används. För att uppnå effektiv visualisering av multivariata data och multivariata tidsseriedata krävs det att både trender över tid och korrelationer mellan olika variabler visas. Studien genomfördes i samarbete med konsultföretaget Syntronic AB för att identifiera lämpliga visualiseringstekniker för data som samlats in vid testning av kretskort. Metoden som användes är design science, vilket omfattar en litteraturstudie, utveckling av prototyp och utvärdering av prototypen. Prototypen består av tre visualiseringstekniker som är: Kategorisk heatmap, Parallella koordinater och Scatterplot. Dessa tekniker jämfördes systematiskt för att bedöma deras effektivitet. Utvärderingen består av kvantitativa metoder såsom mätningar och enkäter, samt den kvalitativa metoden intervju. Resultatet av studien presenterar den utvecklade prototypen och analysen av utvärderingen.  Resultatet av studien visar att kategoriska heatmaps är effektiv för att identifiera samband mellan avvikelser i multivariat data. Även om alla användare upplevde visualiseringen svårtolkad vid en första anblick uttryckte de att visualiseringen var effektiv på att visa korrelationer mellan avvikelser. Parallella koordinater upplevdes svårtolkad och ineffektiv på grund av den höga dimensionaliteten där alla dimensioner inte kan visas samtidigt. Förbättringsförslag för att öka användarvänlighet och användarupplevelse lyftes där tree view förslogs som ett alternativ för att välja de dimensioner som ska visas i stället för reglaget. Scatterplots visade sig vara användbar för att analysera enskilda testpunkter och visade generella trender på ett tydligt och begripligt sätt. Studien har även visat att interaktiviteten påverkar upplevelsen av visualisering, där begränsad interaktivitet medför att tekniken upplevds mindre användbar för att identifiera relationer mellan avvikelser. / Visualization is of great importance when analyzing data, especially when distinguishing anomalies. Identifying faulty components of electronics could evolve and improve the production processes tremendously. By effectively displaying the correlation between faulty and working components, analytics can identify key components causing faulty products.Multivariate data and multivariate time series data place high demands on visualizations due to their complexity. The high dimensionality can lead to issues such as overlapping and hidden patterns, depending on the visualization technique used. To achieve effective visualization of multivariate data and multivariate time series data, it is necessary to show both trends over time and correlations between different variables. This study was conducted in cooperation with Syntronic AB, a consulting company, to help identify suitable visualization techniques for data gathered by testing circuit boards. The methodology used is design research which includes research gathering, development of a prototype and evaluation of the prototype. The prototype consists of three visualization techniques: Categorical heatmap, Parallel Coordinates, and Scatterplot. These techniques were systematically compared to assess their effectiveness. The evaluation consists of quantitative methods such as time measurement and survey, and the qualitative method interview. The result of the study shows the developed prototype and the analysis of the evaluation.  As a result, the study found categorical heatmaps effective in distinguishing correlation between anomalies in multivariate data. Although all users found the visualization difficult to grasp at first glance, expressed their beliefs regarding the effectiveness of displaying correlation. Parallel Coordinates were perceived as difficult to interpret and ineffective for high-dimensional datasets where all dimensions can´t be displayed simultaneously. Interactive options such as tree view to select test pointsto visualize were suggested to further improve the usefulness of Parallel Coordinates. Scatterplot proved useful for analyzing individual test points and showed general trends in a user-friendly way. Furthermore, the study also showed that interactivity affect the perception of visualizations. Limited interactivity resulted in users finding the visualizations less effective in distinguishing anomalies and were perceived as less user-friendly.