Performing causal reasoning in a scene is an inherent mechanism in human cognition; however, the majority of approaches in the causality literature aiming for this task still consider constrained scenarios, such as simple physical systems or stationary time-series data. In this work we aim for causal discovery in videos concerning realistic scenarios. We gather motivation for causal discovery by acknowledging this task to be core at human cognition. Moreover, we interpret the scene as a composition of time-series that interact along the sequence and aim for modeling the non-stationary behaviors in a scene. We propose State-dependent Causal Inference (SDCI) for causal discovery in conditional stationary time-series data. We formulate our problem of causal analysis by considering that the stationarity of the time-series is conditioned on a categorical variable, which we call state. Results show that the probabilistic implementation proposed achieves outstanding results in identifying causal relations on simulated data. When considering the state being independent from the dynamics, our method maintains decent accuracy levels of edge-type identification achieving 74.87% test accuracy when considering a total of 8 states. Furthermore, our method correctly handles regimes where the state variable undergoes complex transitions and is dependent on the dynamics of the scene, achieving 79.21% accuracy in identifying the causal interactions. We consider this work to be an important contribution towards causal discovery in videos. / Att utföra kausala resonemang i en scen är en medfödd mekanism i mänsklig kognition; dock betraktar fortfarande majoriteten av tillvägagångssätt i kausalitetslitteraturen, som syftar till denna uppgift, begränsade scenarier såsom enkla fysiska system eller stationära tidsseriedata. I detta arbete strävar vi efter kausal upptäckt i videor om realistiska scenarier. Vi samlar motivation för kausal upptäckt genom att erkänna att denna uppgift är kärnan i mänsklig kognition. Dessutom tolkar vi scenen som en komposition av tidsserier som interagerar längs sekvensen och syftar till att modellera det icke-stationära beteendet i en scen. Vi föreslår Tillståndsberoende kausal inferens (SDCI) för kausal upptäckt i villkorlig stationär tidsseriedata. Vi formulerar vårt problem med kausalanalys genom att anse att tidsseriens stationäritet är villkorad av en kategorisk variabel, som vi kallar tillstånd. Resultaten visar att det föreslagna probabilistiska genomförandet uppnår enastående resultat vid identifiering av orsakssambandet på simulerade data. När man överväger att tillståndet är oberoende av dynamiken, upprätthåller vår metod anständiga noggrannhetsnivåer av kanttypsidentifiering som uppnår 74, 87% testnoggrannhet när man överväger totalt 8 tillstånd. Dessutom hanterar vår metod korrekt regimer där tillståndsvariabeln genomgår komplexa övergångar och är beroende av dynamiken på scenen och uppnår 79, 21% noggrannhet för att identifiera kausala interaktioner. Vi anser att detta arbete är ett viktigt bidrag till kausal upptäckt i videor.

In this project, the problem concerns predicting insurance premiums and particularly vehicle insurance premiums. These predictions were made with the help of Bayesian Neural Networks (BNNs), a type of Artificial Neural Network (ANN). The central concept of BNNs is that the parameters of the network follow distributions, which is beneficial. The modeling was done with the help of TensorFlow's Probability API, where a few models were built and tested on the data provided. The results conclude the possibility of predicting insurance premiums. However, the output distributions in this report were too wide to use. More data, both in volume and in the number of features, and better-structured data are needed. With better data, there is potential in building BNN and other machine learning (ML) models that could be useful for production purposes. / Detta projekt grundar sig i möjligheten till att predikera försäkringspremier, mer specifikt fordonsförsäkringspremier. Prediktioner har gjorts med hjälp av Bayesianska neurala nätverk, vilket är en typ av artificiella neurala nätverk. Det huvudsakliga konceptet med Bayesianska neurala nätverk är att parametrarna i nätverket följer distributioner vilket har vissa fördelar och inte är fallet för vanliga artificiella neurala nätverk. Ett antal modeller har konstruerats med hjälp av TensorFlow Probability API:t som tränats och testats på given data. Resultatet visar att det finns potential att prediktera premier med hjälp av de egenskapspunkter\footnote[2]{\say{Features} på engelska} som finns tillgängliga, men att resultaten inte är tillräckligt bra för att kunna användas i produktion. Med mer data, både till mängd och egenskapspunkter samt bättre strukturerad data finns potential att skapa bättre modeller av intresse för produktion.

Convolutional neural networks (CNN) have come a long way and can be trained toclassify many of the objects around us. Despite this, researchers do not fullyunderstand how CNN models learn features (edges, shapes, contours, etc.) fromdata. For this reason, it is reasonable to investigate if a CNN model can learn toclassify objects under extreme conditions. An example of such an extreme conditioncould be a car that drives towards the camera at night, and therefore does not haveany distinct features because the light from the headlights covers large parts of thecar.The aim of this thesis is to investigate how the performance of a CNN model isaffected, when trained on objects under extreme conditions. A YOLOv4 model willbe trained on three different extreme cases: light polluted vehicles, nighttimeobjects and snow-covered vehicles. A validation will then be conducted on a testdataset to see if the performance decreases or improves, compared to when themodel trained is on normal conditions. Generally, the training was stable for allextreme cases and the results show an improved or similar performance incomparison to the normal cases. This indicates that models can be trained with allextreme cases. Snow-covered vehicles with mosaic data augmentation and the IOUthreshold 0,25 had the best overall performance compared to the normal cases, witha difference of +14,95% in AP for cars, −0,73% in AP for persons, +8,08% in AP fortrucks, 0 in precision and +9% in recall. / Konvolutionella neurala nätverk (CNN) har kommit långt och kan tränas till attklassificera de flesta objekten i vår omgivning. Trots detta har forskare intefullständigt förstått hur CNN modeller lär sig att klassificera drag (kanter, former,konturer, osv), på grund av detta är det rimligt att undersöka om en CNN-modellkan lära sig att klassificera objekt som befinner sig under extrema förhållanden.Ett exempel på ett sådant extremfall kan vara när en bil kör mot kameran undernattetid och inte har några distinkta drag, eftersom ljuset från framlyktorna täckerstora delar av bilen.Målet med detta arbete är att undersöka hur en CNN-modells prestanda påverkas,när den tränats på objekt som befinner sig under extrema förhållanden. EnYOLOV4 modell ska tränas på tre olika extrema fall: ljus bländade fordon,nattetidobjekt samt snötäckta fordon. En validering ska sedan utföras på ett test setför att se om prestandan försämras eller förbättras, jämfört med modellen somtränat på normala förhållanden. Generellt sett var träningen stabil för alla extremafall och resultatet visade förbättring eller liknande prestanda, i förhållande tillnormala fallen. Detta indikerar att modeller kan tränas med alla extrema fall. Bästprestanda erhölls av snötäckta bilar med mosaik data augmentering och IOUtröskeln 0,25 jämfört med normala fallen, med en skillnad på -0,73% i AP förpersoner, +14,95% i AP för bilar, +8,08% skillnad i AP för lastbilar, 0 i precisionoch +9% i recall.

Om världen ska kunna ställa om till förnyelsebara energikällor krävs det nya och bättre tekniklösningar. En liten del av lösningen på balanseringsproblematiken på elnätet som icke-reglerbara energikällor som sol- och vindkraft står för kan vara att sköta en del av balanseringen lokalt i byggnader med hjälp av batterilager. För att kunna styra den balanseringen på ett optimalt sätt behöver styrningen ha prognoser för hur stor den elektriska lasten i byggnaden kommer vara framöver. Syftet med denna studie har varit att utföra en elektrisk lastprognostisering för en byggnad över ett dygn. Modellen som utförde elektrisk lastprognostisering för en byggnad har baserats på neurala nätverk. Istället för att ha ett neuralt nätverk som prognostiserar över hela dygnet har 24 olika neurala nätverk prognostiserat varsin timma. Varje neuralt nätverk har valts efter tester mellan ett flertal neurala nätverk med variationer i parametrar som har tagits fram med hjälp av en klusteralgoritm. Resultatet visade att modellen som tagits fram i studien prognostiserade den elektriska lasten i en byggnad över ett dygn med en felmarginal enligt mean average percentage error på 5.67%. Det gick även att se fördelar med att dela upp prognostiseringen i mindre delar och testa olika parametrar för varje timma som skulle prognostiseras. Med avseende på jämförelser med andra studier och att bostadshus är ett välkänt svårt prognostiseringsproblem bör resultatet anses som godkänt. Det mesta tyder på att prognostiseringsmodellen är tillräckligt bra för att kunna assistera en smart styrning av ett batteri i en byggnad med användbar information / If the world should be able to convert to renewable energy sources, new and better technical solutions is required. A small part of the solution to the balancing problem on the electricity grid, as non-controllable energy sources such as solar and wind power is highly responsible for, can be to handle part of the balancing locally in buildings using battery storage. In order to be able to control this balancing in the optimal way, the control system needs to have forecasts of how large the electric load in the building will be in the future. The aim of this study has been to carry out electrical load prediction for a building over one day. The model that carried out electrical load forecasting for a building has been based on neural networks. Instead of having one neural network that predicts the whole day, 24 different neural networks have been forecasting each hour. Each neural network has been selected after testing between several neural networks with variations in parameters that have been selected using a cluster algorithm. The result showed that the model developed in the study predicted the electric load in a building over one day with a mean average percentage error of 5.67%. It was also possible to see the advantages of dividing the prediction into smaller parts and testing different parameters for each hour that would be forecast. With regard to comparisons with other studies and that residential buildings are a well-known difficult forecasting problem, the result should be considered as acceptable. Most indications show that the forecasting model is good enough to be able to assist a smart control of a battery in a building with useful information.

No description available.

<p>The jetengines of today are growing in complexity. Reliability for aircraft engines are of extreme importance, mainly due to safety reasons but also economical ones. This master thesis deals with faultdiagnosis in the turbine section of RM12, the engine used in Saab/BAe's Gripen. Three different faults which can occur in the turbine section was studied. These faults are: clogged fuel nozzle, hole in outlet guide vane and sensor fault. An analysis of the behaviour of the engine with these faults present was made. Based on this analysis an existing simulation model of RM12 was modified, so that these faults could be simulated. For the purpose of fault diagnosis two models were developed for two different engine parameters, one linear state space model and a neural network. These two models are then used to isolate the faults. The linear state space model is used to estimate the temperature right behind the engine turbines. This is a state space model with two states. This model estimates the temperature well at higher throttle levels, but has a temperature discrepancy of almost 100 K at lower throttle levels, the temperature right behind the turbines varies between 300 and 1200 K. A neural network was estimated to detect a decrease in turbine efficiency which is a phenomena which occurs when one or several of the engine's eighteen fuel nozzles are clogged. The neural network was able to detect this fault at some points. The diagnosis algorithm developed, based on the models mentioned above, is able to detect faults at most operating points, but fails to isolate the present fault at some points.</p>

<p>Erfarenheter från tidigare försök på Korsnäs AB visar att det är väldigt svårt att på matematisk väg förutsäga vad som händer under framställningen av pappersmassa i en kontinuerlig kokare.</p><p>Målet med detta examensarbete var att undersöka möjligheterna att med hjälp av neurala nätverk underlätta regleringen genom att prediktera ligninhalten hos pappersmassan tre och en halv timme innan den aktuella flisen är färdigkokt.</p><p>På grund av den, med produktionstakten, varierande tidsförskjutningen mellan olika givarsignaler löstes problemet med en enkel, lokal modell per produktionstakt. Alla ingående modeller minimeras med avseende på både antalet noder i det gömda lagret och antalet ingångar, vilket gav en slutlig lösning med fyra enkla modeller uppbyggda av framåtkopplade neurala nätverk, var och ett med ett gömt lager innehållandes tre noder.</p><p>Prediktionen av ligninhalten påvisade till slut goda egenskaper, med avseende på hur väl prediktionen följer den verkliga kappatalsanalysatorn.</p>

Erfarenheter från tidigare försök på Korsnäs AB visar att det är väldigt svårt att på matematisk väg förutsäga vad som händer under framställningen av pappersmassa i en kontinuerlig kokare. Målet med detta examensarbete var att undersöka möjligheterna att med hjälp av neurala nätverk underlätta regleringen genom att prediktera ligninhalten hos pappersmassan tre och en halv timme innan den aktuella flisen är färdigkokt. På grund av den, med produktionstakten, varierande tidsförskjutningen mellan olika givarsignaler löstes problemet med en enkel, lokal modell per produktionstakt. Alla ingående modeller minimeras med avseende på både antalet noder i det gömda lagret och antalet ingångar, vilket gav en slutlig lösning med fyra enkla modeller uppbyggda av framåtkopplade neurala nätverk, var och ett med ett gömt lager innehållandes tre noder. Prediktionen av ligninhalten påvisade till slut goda egenskaper, med avseende på hur väl prediktionen följer den verkliga kappatalsanalysatorn.

The jetengines of today are growing in complexity. Reliability for aircraft engines are of extreme importance, mainly due to safety reasons but also economical ones. This master thesis deals with faultdiagnosis in the turbine section of RM12, the engine used in Saab/BAe's Gripen. Three different faults which can occur in the turbine section was studied. These faults are: clogged fuel nozzle, hole in outlet guide vane and sensor fault. An analysis of the behaviour of the engine with these faults present was made. Based on this analysis an existing simulation model of RM12 was modified, so that these faults could be simulated. For the purpose of fault diagnosis two models were developed for two different engine parameters, one linear state space model and a neural network. These two models are then used to isolate the faults. The linear state space model is used to estimate the temperature right behind the engine turbines. This is a state space model with two states. This model estimates the temperature well at higher throttle levels, but has a temperature discrepancy of almost 100 K at lower throttle levels, the temperature right behind the turbines varies between 300 and 1200 K. A neural network was estimated to detect a decrease in turbine efficiency which is a phenomena which occurs when one or several of the engine's eighteen fuel nozzles are clogged. The neural network was able to detect this fault at some points. The diagnosis algorithm developed, based on the models mentioned above, is able to detect faults at most operating points, but fails to isolate the present fault at some points.

<p>Arbetet som presenteras i den här rapporten handlar om ansiktsigenkänning från webbkameror med hjälp av principal component analysis samt artificiella neurala nätverk av typen feedforward. Arbetet förbättrar tekniken med hjälp av filterbaserade metoder som bland annat används inom ansiktsdetektering. Dessa filter bygger på att skicka med redundant data av delregioner av ansiktet.</p>