No description available.

No description available.

För att kunna underhålla en stor website måste många saker tas i åtanke. Särskilt om man arbetar i en blandad miljö, som sker vid Högskolan i Skövde. Eftersom högskolan använder både PC-, Macintosh- och UNIX-datorer för att designa och uppdatera sina hemsidor, måste ett verktyg hittas som integrerar dessa tre plattformar på ett bra sätt. Denna rapport behandlar de problem som kan uppstå då en website skall underhållas, med tyngdpunkten på vad som gäller vid Högskolan i Skövde. Olika verktyg som innehar den önskade funktionaliteten undersöks innan ett av dem slutligen väljs. Det valda verktyget är Microsoft FrontPage 98, för dess möjligheter att integreras med olika UNIX-webservrar och för dess möjligheter att användas på både PC och på Macintosh.

Rapporten behandlar arbetet att med data mining-metoder finna ett samband i insamlad information. Data mining är ett begrepp för att tillämpa artificiell intelligens på en större datamängd. Syftet är i detta fall att hitta ett sätt att klassificera dieselmotorer. Den datamängd som används kommer från mätningar vid testkörning av dieselmotorer och garantikostnader som motorerna ger upphov till efter leveransen från fabriken. Målet är att finna ett samband mellan testvärdena och kostnaden i syfte att kunna identifiera kostnadsbenägna motorer redan vid testkörningen. En klusteranalys görs med två olika tekniker, K-means method och Kohonen-nät, som visar att det föreligger ett svagt men ändå förnimbart samband. En jämförelse mellan teknikernas resultat och användbarhet görs. Två tekniker används till att bygga klassificeringsverktyg som skall kunna sortera ut motorerna med höga kostnader. Teknikerna som används är Beslutsträd och Artificiella neurala nätverk. Båda dessa tekniker klarar att klassificera motorerna rätt till omkring 70%. Resultaten och användbarheten jämförs även här. Slutsatsen av arbetet är att det föreligger ett samband. Detta är dock för svagt och otydligt för att kunna användas som klassificeringsunderlag för praktiskt bruk. Jämförelsen visar att Kohonen-nät och Artificiella neurala nätverk är att föredra för den här typen av problem.

Det finns ett stort behov av att skydda information från obehöriga eftersom inte all information är offentlig. För institutionen för datavetenskap på högskolan i Skövde gäller det att skydda information som tentor, inlämningsuppgifter och lösningsförslag med mera. Detta är information som gör datorsystemet attraktivt för inkräktare. För att höja säkerheten till en nivå som gör det svårare för inkräktare att läsa informationen bör denna krypteras. Olika krypteringsalgoritmer från de symmetriska och asymmetriska systemen beskrivs, studeras och exemplifieras i rapporten. Resultatet av rapporten ger en rekommendation till vilka algoritmer som kan vara lämpliga att införa som krypteringsalgoritmer hos institutionen för datavetenskap på högskolan i Skövde.

Att välja rätt nätverksoperativsystem för verksamheten vid en omorganisation av nätverket är en svår uppgift. Rätt nätverksoperativsystem är avgörande för hur nätverket i organisationen eller företaget skall fungera. När en omorganisation planeras kan andra nätverksoperativsystem, som kan passa verksamheten bättre, än det existerande systemet väljas. Valet av system beror till exempel på vilken nivå av säkerhet, åtkomlighet, utbyggbarhet, ekonomisk kostnad och driftsäkerhet nätverket skall ha. Denna rapport fokuserar på val av nätverksoperativsystem. Detta görs med avseende på hur det är möjligt att implementera säkerhet, åtkomlighet och driftsäkerhet. Målet är att förse Högskolan i Skövde med ett förslag på nätverksoperativsystem. Förslaget baseras på de problem, krav och önskemål på ett framtida nätverk, som har framkommit under de intervjuer som har gjorts. Rapporten resulterar i ett förslag på det nätverksoperativsystem som borde passa skolan bäst. Förslaget grundas alltså på de aspekter som utrönades i litteraturstudien för systemen jämfört med de aspekter som gavs i de intervjuer som gjorts. Valet stod mellan de tre olika nätverksoperativsystemen: Novell NetWare, Microsoft Windows NT och Sun Solaris.

I detta arbete studeras möjligheten att förbättra en metod för analys av biologiska sekvenser. En på senare tid populär metod för sekvensanalys är baserad på Hidden Markov models (HMM). HMM har haft stora framgångar i att modellera biologisk data, såsom proteinfamiljer, men används även inom bland annat taligenkänning. Existerande problem med HMM är bland annat långa träningstider och oförmåga att finna globala lösningsoptima. En metod för att försöka effektivisera träningsfasen hos en HMM presenteras och utvärderas. Denna är avsedd för att undersöka om modeller som på förhand kan initieras med hjälp av förkunskap i problemdomänen får lika bra klassificeringsförmåga som modeller som tränas på konventionellt sätt. Metoden tillämpas på två proteinfamiljer av relativt olika karaktär. Resultaten utvisar att prestandan hos de olika modellerna inte direkt kan kopplas till effekten av metoden utan är mycket beroende av proteinets karaktär.

Val av nätverksoperativsystem är något som blivit viktigt att besluta i många företag och organisationer. Nätverken får fler och fler tjänster, många som ursprungligen utvecklades för Internet. Organisationerna och företagen måste hänga med i utvecklingen för att kunna få ett nätverk som är lätt att administrera och som är användarvänligt. Det finns ett flertal nätverksoperativsystem att välja på. De två vanligaste är Windows NT och Novell NetWare. Denna rapport innehåller en undersökning av ett flertal faktorer som kan vara viktiga att ta hänsyn till vid val av nätverksoperativsystem. Faktorerna som tas upp är hanterbarhet, skalbarhet, prestanda, säkerhet, feltolerans, Internet verktyg, integrering, kompatibilitet och migrering. Undersökningen tar fram olikheter mellan NT och NetWare avseende faktorerna. Integrering har varit viktigt att undersöka för att kunna lösa problem med flera användarplattformar. Detta för att underlätta systemadministration och göra systemet mer användarvänligt. Metoden som använts för att få fram fakta är en litteraturstudie av böcker och aktuella datatidskrifter.

Vid designande av artificiella nätverk (ANN) är en viktig fas att identifiera en bra topologi. Topologin har betydelse för hur väl ett ANN klara att klassificera tidigare osedd data och även hur väl ett ANN klarar av att klassificera generellt. Ett sätt att automatisera detta designarbete är att använda genetiska algoritmer. Att använda GA för att evolvera ANN kallas neuroevolution. Vid användande av neuroevolution sker en automatisering av nätverksdesignen. Men eftersom GA använder en population, d.v.s. en mängd av nätverk i detta fall, och alla dessa nätverk behöver tränas ett antal träningsepoker så blir denna automatisering tids och resurskrävande. Just träningen av ANN har en stor betydelse för hur lång tid evolutionsprocessen tar. I detta arbete har fyra olika metoder för reducering av träning vid neuroevolution identifierats. Av dessa identifierade metoder har tre metoder ansetts tillräckligt lovande att utföra tester med. Dessa tre kvarvarande har implementerats och testats på två olika problemtyper. Använda testproblem är åtta bitars paritetsproblem och ett klassificeringsproblem rörande klassificering av bilder på träd (tall och gran). Metoderna har utvärderats teoretiskt och även baserat på resultat från experiment. Som bedömningskriteria har resulterande nätverks klassificeringsförmåga, storlek hos resulterande nätverk och hur stor minskningen av antal använda träningsepoker är.

No description available.