The Dapeng Bay National Scenic Area will be planned as an interna-tional level tourism site. In order to improve the water quality in bay area, the administration authority has removed oyster farm. However, sewage and aquaculture wastewater from the communities and fish ponds around the bay area were still discharged continuously. After careful assessment, The Dapeng Bay National Scenic Area Administration authority decided to use constructed wetlands to treat such kinds of wastewater. In this study, the treatment efficiencies of Datan Constructed Wetland Park were investigated. According to the experimental results, we found that the remove efficiencies of SS, Chl-a, and TOC were not good enough, while the other parameters, such as OP, TP, NO2-, and NO3- their all re-moval efficiencies were all above 40¢H.The removal efficiencies of NH3, TKN and TN were all above 60%. However, the removal efficiencies of turbidity and BOD were found equal to 30%. Generally, TN was removed by the process as of nitrification and denitrification, but the nitrification of the subsurface flow¡]SSF¡^part of wetland was perforated worse, which caused the org-N and NH4+-N was not availably to become the NH3, NO2- and NO3-. Because of this reason, the removal effect of Org-N was not very significant. The parameter of TOC was affected by the fixation of CO2 through photosynthesis of autotrophs, and the respiration and denitrification of heterotrophs. The sediment also could provide organic carbon source for denitrification. Photosynthesis and carbon source would cause the re-moval efficiency of TOC become worse than synthesis. In the wetland, the decrease rate of salinity was found above 20¢H.

Abstract Context: This study contributes to the understanding of the current state of cross-project defect prediction (CPDP) by investigating the topic in themes, with special focus on data approaches and covering search-based training data selection, by proposing data selection methods and investigating their impact. The empirical evidence for this work is collected through a formal systematic literature review method for the review, and from experiments on open source projects. Objective: We aim to understand and summarize the manner in which various data manipulation approaches are used in CPDP and their potential impacts on performance. Further, we aim at utilizing search-based methods to produce evolving training data sets to filter irrelevant instances from other projects before training. Method: Through a series of studies following the literature review of current state of CPDP, we propose a search-based method called genetic instance selection (GIS). We validate our initial findings by conducting the next study on a large set of data sets with multiple feature sets. We refine our design decisions using an exploratory study. Finally, we investigate an existing meta-learning approach, provide insights on its design and propose an alternative iterative data selection method. Results: The literature review reveals lower performances of CPDP in comparison with within project defect prediction (WPDP) models and provides a set of primary studies to be used as the basis for future research. Our proposed data selection methods make the case for search-based approaches considering their higher effectiveness and performance. We identified potential impacting factors on the effectiveness through the exploratory study and proposed methods to create better CPDP models. Conclusions: The proposal of numerous approaches in the literature over the last decade has led to progress in the area and the acquired knowledge and tools apply to many similar domains and can act as parts of academic curricula as well. Future directions of study can include searching for better validation data, better feature selection techniques, tuning the parameters of the search-based models, tuning hyper-parameters of learners, investigating the effects of multiple sources of optimization (learner, instances and features) and the impact of the class imbalance problem. / Tiivistelmä Tausta: Tämä tutkimus edistää projektienvälisten virheiden ennustamisen nykytilan ymmärtämistä (CPDP) tutkimalla aihetta teemoissa, keskittyen erityisesti tiedollisiin lähestymistapoihin ja hakuperusteisen harjoitusdatan valintaan esittelemällä datan valintamenetelmiä ja tutkimalla niiden vaikutuksia. Tämän työn empiirinen todistusaineisto on koottu muodollisella systemaattisella kirjallisuuskatsauksella ja avoimen lähdekoodin projekteissa tehdyillä kokeilla. Tavoite: Pyrimme ymmärtämään ja tiivistämään tavan, jolla erilaisia datan käsittelyn lähestymistapoja käytetään CPDP:ssa sekä niiden potentiaalisia vaikutuksia suorituskykyyn. Lisäksi, tavoitteenamme on hyödyntää hakuperusteisia menetelmiä muodostamaan kehittyviä harjoitusdata-settejä suodattamaan epäolennaisia esiintymiä muista projekteista ennen koulutusta. Menetelmä: CPDP:n nykytilan kirjallisuuskatsauksen jälkeen tehtyjen tutkimusten avulla ehdotamme hakuperusteista menetelmää, jota kutsutaan geneettisen esiintymän valinnaksi (GIS). Todistamme alustavat havaintomme suorittamalla seuraavan tutkimuksen suurella joukolla datasettejä, joilla on useita ominaisuuksia. Jalostamme suunnittelupäätöksiämme käyttäen tutkivaa tutkimusta. Lopuksi, tutkimme vallitsevaa meta-oppimisen lähestymistapaa ja tarjoamme näkemyksiä sen suunnitteluun ja ehdotamme vaihtoehtoista, toistuvaa datan valintamenetelmää. Tulokset: Kirjallisuuskatsaus paljastaa CPDP:n heikomman suorituskyvyn verrattuna projektinsisäisten virheiden ennustamisen (WPDP) malleihin ja tarjoaa joukon primaaritutkimuksia, joita voidaan käyttää perustana myöhemmälle tutkimukselle. Ehdottamamme datan valintamenetelmät puoltavat hakuperusteisten menetelmiä niiden paremman tehokkuuden ja suorituskyvyn vuoksi. Tunnistimme potentiaalisia tehokuuteen vaikuttavia tekijöitä tutkivien tutkimusten avulla ja ehdotimme metodeja parempien CPDP mallien luomiseksi. Johtopäätökset: Viime vuosikymmenten aikana kirjallisuudessa esitellyt lukuisat menetelmät ovat edistäneet alaa ja hankittu tieto ja työkalut soveltuvat monille samanlaisille alueille ja voivat toimia myös osana akateemisia opetussuunnitelmia. Tutkimuksen tulevat linjaukset voivat sisältää validointiin paremmin soveltuvan datan haun, paremmat ominaisuuksien valintatekniikat, hakuperusteisten mallien parametrien hienosäädön, oppijoiden hyper-parametrien hienosäädön, tutkimuksen useiden optimoinnin lähteiden vaikutuksista (oppija, esiintymät, ominaisuudet) ja luokan epätasapaino-ongelman vaikutuksesta.

In recent years, there has been a significant increase in the use of Global Positioning Satellite system (GPS) technology, consequently the usage of GPS receivers has increased. These GPS receivers can be used as a synchronization source for radio base stations by generating precise 1 pulse per second signals and providing National Marine Electronics Association (NMEA) data. The prototype developed in this thesis, implements a GPS receiver emulator to emulate a GPS receiver which is to be used for radio base station synchronization. Hardware and software have been used to generate the NMEA messages and to generate a precise 1 pulse per second signal. A graphical user interface (GUI) has been created in order to allow the operators of the emulator to input various parameters to the system used to emulate a GPS receiver. Using this emulator avoids the need for expensive GPS receivers and their connection to an antenna with a good view of the GPS satellites. More importantly, this GPS receiver emulator makes it easier to set up a lab environment for testing different situations with regard to signaling with NMEA data between the emulated GPS receiver and the radio base station equipment that is under test. For example, this allows tests involving incorrect NEMA messages or non once per second pulses. / De senaste åren har det skett en significant ökning av användandet av GPS teknik; följdaktligen har användandet av GPS mottagare ökat. GPS mottagare kan användas som en synkroniseringskälla för radiobasstationer genom att generera exakt 1 puls per sekund och därmed förse NMEA datan. Prototypen som utvecklats i detta examensarbete, implementerar en GPS emulator för att erbjuda en effektiv lösning till att emulera en GPS mottagare som används för synkronisering av basstationer. Olika hårdvara och mjukvara har använts för att simulera NMEA meddelanden och för att generera en precis 1 puls per sekund signal. Ett grafiskt gränssnitt (GUI) har utvecklats för att tillåta användaren av emulatorn att mata in olika parametrar till systemet som används för att emulera GPS mottagaren. Användandet av den här emulatorn tar bort behovet av dyra GPS mottagare, och gör det enklare att sätta upp en labbmiljö för testandet av olika situationer med hänsyn till signalering mellan 1 puls per sekund och NMEA datan av den simulerade GPS mottagaren och basstationshårdvaran som testas.

Abstract Master data describes business objects that are shared across an entire enterprise. Master data is a single source of information that should be used across the IT systems and business processes without changing. Definitions and understanding of common data and how well it is understood forms the basis for understanding the master data. The main objective of this study is to clarify how one product data should be understood and defined and to identify the main challenges and the best practices for managing the one product data for business processes. This study approaches one product data for integrated business processes from several perspectives by focusing on one product master data, data ownership, and the importance of a governance model for managing the master data. The means also to determine business value of master data and to ensure that a company’s success in reaching this business value is analysed. The findings of this study reveal the need for balance between business processes, data, and IT systems. The study indicates that a governance model is necessary in conjunction with business processes, data, and IT systems to ensure that an adequate foundation is created for one product data. One product data is the sum of product-related business data and one product master data. One product master data is the “DNA” of a product that is created by the product portfolio management process and is stored and controlled by a Product Lifecycle Management IT-system that updates the receiving systems in business processes with the common product data. One product data forms the basis for integrated business processes. In the product life cycle context, this means that data must be in place from the new product development phase to the maintenance phase, as well as across sales processes, supply chains, and care/service processes. Discontinuous data is harmful as it causes extra costs in management and slows down data analysis, as well as affects the reaction speed around changes on the business side. New business opportunities such as digitalisation may become very difficult if centralised one product data is not in place. It is important to keep in mind that if data integrity and quality are not in place in a company, adding new business models might be very challenging. / Tiivistelmä Master data on informaatiota, joka on määritelty yksiselitteisesti ja sitä käytetään muuttumattomana ylitse eri IT- järjestelmien ja -prosessien. Datamäärityksillä tuetaan liiketoiminnan prosesseja. Datan määritelmät ja yleinen datan ymmärtämisen taso yrityksessä ovat tärkeitä elementtejä, muodostaen pohjan Master data -käsitteelle. Tämän tutkimuksen päätarkoituksena on selkiyttää kuinka yksiselitteinen tuotetieto tulisi ymmärtää ja määritellä. Samalla identifioidaan suurimmat haasteet ja parhaat käytänteet yhdenmukaisen tuotetiedon hallinnalle. Tutkimuksessa keskitytään yhtenäisen master datan käsitteistön, datan omistajuuden, sekä hallinnointimallin tärkeiden näkökulmien kautta kokonaisuuden ymmärtämiseen useista eri näkökulmista. Tutkimuksessa perehdytään myös datan liiketoiminnallisen arvon tunnistamiseen. Sen kautta voidaan varmistaa yrityksen kyvykkyys saavuttaa asetetut tavoitteet, jotka johto on määritellyt esim. strategian kautta. Tulokset kertovat, että on äärimmäisen tärkeää löytää oikea balanssi liiketoiminnan prosessien, datan ja tietojärjestelmien kesken. Yksikäsitteinen tuotetieto on summa, joka muodostuu tuotteeseen liittyvästä liiketoimintatiedosta sekä yhtenäisestä tuote master datasta. Yhtenäinen tuote master data on ikään kuin tuotteen DNA tietoa. Yhteenvetona voidaan todeta, että parhaimmillaan data määritellään kerran ja sitä käytetään muuttumattomana eri liiketoiminnan prosessissa hyödyksi. Yhtenäinen tuote data muodostaa pohjan liiketoiminnan prosessien integroimiselle. Tuotteen elinkaaren sisällön osalta tämä tarkoittaa sitä, että data luodaan osana uuden tuotteen kehitysprosessia ottaen huomioon muiden liiketoiminta prosessien tarpeet kuten myynti, logistiikka ja valmistus, huolto jne. On äärimmäisen tärkeää, että datalle ei synny epäjatkuvuuskohtia eri prosessien välille. Datan epäjatkuvuuskohdat voivat tuottaa ylimääräisinä kustannuksia ylläpidon, data analytiikan ja raportoinnin kautta. Yleinen reagointinopeus liiketoiminnan muutoksiin on yleensä hitaampaa. Uusien liiketoimintamahdollisuuksien kuten digitalisaation tai esineiden internetin (IoT) toteuttaminen voi olla haastavaa ja kallista mikäli keskitettyä ja yhtenäistettyä tuote data mallia ei ole. Yhtenäisen tuote master datan käsite ja parhaita käytänteistä toteuttava hallintamalli antavat pohjan tietokeskeiselle ajattelulle yrityksessä.

Abstract Products and services are critical for companies as they create the foundation for companies’ financial success. Twenty per cent of company products typically account for some eighty per cent of sales volume. Nevertheless, the product portfolio decisions — how to strategically renew company product offering — tend to involve emotions, pet products and who-shout-the-loudest mentality while facts, numbers, and quantitative analyses are missing. Profitability is currently measured and reported at a company level, and firms seem unable to measure product-level profitability in a constant way. Consequently, companies are unable to maintain and renew their product portfolio in a strategically or commercially balanced way. The main objective of this study is to provide a data-driven product portfolio management (PPM) concept, which recognises and visualises in real-time and based on facts which company products are concurrently strategic and profitable, and what is the share of them in the product portfolio. This dissertation is a qualitative study to understand the topical area by the means combining literature review, company interviews, observations, and company internal material, to take steps towards data-driven decision-making in PPM. This study indicates that company data assets need to be combined and governed company-widely to realise the full potential of company strategic assets — the DATA. Data must be governed separately from business IT technology and beyond it. Beyond data and technology, the data-driven company culture must be adopted first. The data-driven PPM concept connects key business processes, business IT systems and several concepts, such as productization, product lifecycle management and PPM. The managerial implications include, that the shared understanding of the company products is needed, and the commercial and technical product structures are created accordingly, as they form the backbone of the company business as the skeleton to gather all product-related business-critical information for product-level profitability analysis. Also, product classification for strategic, supportive and non-strategic is needed, since the strategic nature of the product can change during the entire product lifecycle, e.g. due to the technology obsolescence, disruptive innovations by competitors, or for any other reason. / Tiivistelmä Tuotteet ja palvelut ovat yrityksille kriittisiä, sillä ne luovat perustan yritysten taloudelliselle menestykselle. Kaksikymmentä prosenttia yrityksen tuotteista edustaa tyypillisesti noin kahdeksaakymmentä prosenttia myyntimääristä. Siitä huolimatta tuoteporfoliopäätöksiin — kuinka strategisesti uudistetaan yrityksen tuotetarjoomaa — liittyy tunteita, lemmikkituotteita ja kuka-huutaa-kovimmin -mentaliteettia faktojen, numeroiden ja kvantitatiivisten analyysien puuttuessa. Kannattavuutta mitataan ja raportoidaan tällä hetkellä yritystasolla, ja yritykset eivät näyttäisi pystyvän mittaamaan tuotetason kannattavuutta johdonmukaisesti. Tämä estää yrityksiä ylläpitämästä ja uudistamasta tuotevalikoimaansa strategisesti tai kaupallisesti tasapainoisella tavalla. Tämän tutkimuksen päätavoite on tarjota dataohjattu (data-driven) tuoteportfoliohallinnan konsepti, joka tunnistaa ja visualisoi reaaliajassa ja faktapohjaisesti, mitkä yrityksen tuotteet ovat samanaikaisesti strategisia ja kannattavia ja mikä on niiden osuus tuoteportfoliossa. Tämä väitöskirja on laadullinen tutkimus, jossa yhdistyy kirjallisuuskatsaus, yrityshaastattelut, havainnot ja yritysten sisäinen dokumentaatio, joiden pohjalta pyritään kohti dataohjautuvaa päätöksentekoa tuoteportfolion hallinnassa. Tämä tutkimus osoittaa, että yrityksen data assettit on yhdistettävä ja hallittava yrityksenlaajuisesti, jotta yrityksen strategisten assettien — DATAN — potentiaali voidaan hyödyntää kokonaisuudessaan. Data on hallittava erillään yrityksen IT-teknologiasta ja sen yläpuolella. Ennen dataa ja teknologiaa on omaksuttava dataohjattu yrityskulttuuri. Dataohjatun tuoteportfolionhallinnan konsepti yhdistää keskeiset liiketoimintaprosessit, liiketoiminnan IT-järjestelmät ja useita konsepteja, kuten tuotteistaminen, tuotteen elinkaaren hallinta ja tuoteportfolion hallinta. Yhteisymmärrys yrityksen tuotteista ja sekä kaupallisen että teknisen tuoterakenteet luominen vastaavasti on ennakkoedellytys dataohjatulle tuoteportfolion hallinnalle, koska ne muodostavat yrityksen liiketoiminnan selkärangan, joka yhdistää kaikki tuotteisiin liittyvät liiketoimintakriittiset tiedot tuotetason kannattavuuden analysoimiseksi. Lisäksi tarvitaan tuotteiden kategorisointi strategisiin, tukeviin ja ei-strategisiin tuotteisiin, koska tuotteen strateginen luonne voi muuttua tuotteen elinkaaren aikana, johtuen esimerkiksi teknologian vanhenemisesta, kilpailijoiden häiritsevistä innovaatioista tai mistä tahansa muusta syystä.