Activity recognition falls in general area of pattern recognition, but it resides mainly in temporal domain which leads to distinctive characteristics. We provide an extensive survey over existing tools including FSM, HMM, BNT, DBN, SCFG and Symbolic Network Approach (PNF-network). These tools are inefficient to meet many of the requirements of activity recognition, leading to this work to develop a new graphical model: Propagation Net (P-Net). Many activities can be represented by a partially ordered set of temporal intervals, each of which corresponds to a primitive motion. Each interval has both temporal and logical constraints that control the duration of the interval and its relationship with other intervals. P-Net takes advantage of such fundamental constraints that it provides an graphical conceptual model to describe the human knowledge and an efficient computational model to facilitate recognition and learning. P-Nets define an exponentially large joint distribution that standard bayesian inference cannot handle. We devise two approximation algorithms to interpret a multi-dimensional observation sequence of evidence as a multi-stream propagation process through P-Net. First, Local Maximal Search Algorithm (LMSA) is constructed with polynomial complexity; Second, we introduce a particle filter based framework, Discrete Condensation (D-Condensation) algorithm, which samples the discrete state space more efficiently then original Condensation. To construct a P-Net based system, we need two parts: P-Net and the corresponding detector set. Given topology information and detector library, P-Net parameters can be extracted easily from a relatively small number of positive examples. To avoid the tedious process of manually constructing the detector library, we introduce semi-supervised learning framework to build P-Net and the corresponding detectors together. Furthermore, we introduce the Contrast Boosting algorithm that forces the detectors to be as different as possible but not necessary to be non-overlapping. The classification and learning ability of P-Nets are verified on three data sets: 1)vision tracked indoor activity data set; 2)vision tracked glucose monitor calibration data set; 3)sensor data set on simple weight-lifting exercise. Comparison with standard SCFG and HMM prove a P-Net based system is easier to construct and has a superior ability to classify complex human activity and detect anomaly.

Zwangserregtes Kupplungsrupfen ist ein Schwingungsphänomen, dessen Ursache in einer periodischen Modulation der Anpresskraft im Reibkontakt sowie des Drehmoments der Kupplung liegt. Diese periodische Modulation wird im Wesentlichen durch geometrische Abweichungen von der vorgesehenen Gestalt verursacht. Nach wie vor spielt es bei der Entwicklung von Kraftfahrzeugkupplungen eine große Rolle da die davon verursachten longitudinal Schwingungen des Fahrzeugs zu deutlichen Komforteinbußen der Fahrzeuginsassen führen. Obwohl bereits einige Einflussfaktoren des zwangserregten Kupplungsrupfens qualitativ bekannt sind, gibt es noch nicht für alle Einflussfaktoren geeignete, detaillierte Erklärungsmodelle, die Kupplungsentwicklern beim Verständnis der Wirkzusammenhänge von zwangserregtem Kupplungsrupfen unterstützen. Dies liegt unter anderem an den starken Wechselwirkungen, die über verschiedene Systemebenen auftreten und bisher kaum modelliert wurden. Daher werden in diesem Beitrag Gestalt-Funktion-Zusammenhänge auf zwangserregtes Kupplungsrupfen durch geometrische Abweichungen mithilfe des sogenannten C&C²-Ansatzes nach Albers und Matthiessen näher untersucht. Ein bereits vorhandenes Modell wird dabei um geeignete Granularitäten und Perspektiven erweitert und die Wirkzusammenhänge werden zu unterschiedlichen Zeitpunkten als sogenannte Sequenzmodelle dargestellt. In einem iterativen Prozess werden sowohl Hypothesen als auch Modelle entwickelt und es werden experimentelle Untersuchungen abgeleitet. Ausgewählte Einflussfaktoren werden hierzu in Form von Variationen an einem Prüfstand untersucht, um die Hypothesen zu verifizieren oder zu falsifizieren, und es werden erste quantitative Ergebnisse gewonnen. Dies ermöglicht die Erklärung von Ursachen für zwangserregtes Kupplungsrupfen die durch bisherige Erklärungsmodelle noch nicht hinreichend genau beschrieben werden, was durch die zum Teil großen Dynamiken der Wirkzusammenhänge begründet ist.

This Thesis work is part of course work for the Masters Program in Data Science at LTU.  The focus of this work is mainly to review the literature published to identify state-of-art methodologies applied to predict short-term electricity consumption. This includes the exploration of features and models as well-as the discussion of the results attained. Identify opportunities to improve the forecast results for southern Elområde(bidding area)4, Sweden. The application of different modern methods to forecast electricity consumption has been studied and experimented with. This work adapted the CRISP-DM, a Data Science methodology.

Der Beitrag diskutiert zunächst den Generalbasses als Notationsform oder ‚Aufschreibesystem‘ im musikgelehrten Diskurs in der Mitte des 18. Jahrhunderts. Dann wird seine Rolle in der Akkordbildungs- und Satzlehre in Joseph Riepels Anfangsgründen zur musicalischen Setzkunst untersucht. Riepel benutzt ihn als kombinatorisches Programm zur Bildung von Akkorden (in der Gründlichen Erklärung der Tonordnung insbesondere, 1757), nutzt sein Potential aber auch in Form von Sequenzmodellen bei seiner Überarbeitung von älteren Kontrapunktübungen nach Johann Joseph Fux und Meinrad Spieß. Generalbass dient ihm mithin als Medium theoretischer Reflexion wie auch einer modernisierenden Transformation des musikalischen Satzes. Für Riepel ist es typisch, dass mit kleinen versatilen Theoriesegmenten, ausgehend von Beispielen, arbeitet. Eine reduktive Theorie, die den Anspruch einer allgemeinen Gültigkeit haben soll, liegt ihm fern. Insofern spiegelt seine Art der Theoriebildung die Aufspaltung des Stilbegriffs nach 1750 in eine Vielzahl lokaler Praktiken. / The paper first discusses the thorough bass as a form of notation or operational writing technique (F. Kittler) in musicological discourse in the mid-18th century. Then, its role in chord formation and movement theory is examined in Joseph Riepel's Anfangsgründe zur musicalischen Setzkunst. Riepel uses it as a combinatorial program for the formation of chords (in the Gründliche Erklärung der Tonordnung insbesondere, 1757), but also exploits its potential in the form of sequence models in his revision of older counterpoint exercises after Johann Joseph Fux and Meinrad Spieß. Thorough bass thus serves him as a medium of theoretical reflection as well as a modernizing transformation of the musical movement. For Riepel it is typical to work with small versatile theory segments, starting from examples. A reductive theory, which should have the claim of a general validity, is far from him. In this respect, his way of theorizing reflects the splitting of the concept of style after 1750 into a multitude of local practices.