Die vorliegende Arbeit beinhaltet experimentelle Untersuchungen zur neuroprotektiven Wirkung des körpereigenen Lipids L-alpha-Lysophosphatidylinositol (LPI). Die Vermittlung dieser Wirkung soll durch den zentralnervös exprimierten G-Protein-gekoppelten Rezeptor 55 (GPR55) erfolgen. Als Modelsystem diente die organotypische hippocampale Schnittkultur (OHSC) der Ratte, welche exzitotoxisch mittels N-Methyl-D-Aspartat (NMDA) geschädigt wurde, um Neurodegeneration zu initiieren. Die Inkubation mit LPI nach NMDA-Schädigung reduzierte die Anzahl toter Neurone und die der Mikroglia in der Körnerzellschicht des Gyrus dentatus. Ein Clodronat-induzierter Verlust der Mikroglia und die siRNA-vermittelte Herabregulation von Gpr55 hoben jeweils den neuroprotektiven Effekt von LPI in der OHSC auf. Diese Beobachtungen wiesen auf eine Mikroglia- und GPR55 abhängige Neuroprotektion hin. LPI wirkte zudem synergistisch und verstärkte die (bekannter Maßen) durch Cannabinoide induzierte und über den Cannabinoid Typ 1 Rezeptor vermittelte Neuroprotektion. Ferner wurde Gpr55 mittels qPCR in Mikroglia und Astrozyten nachgewiesen. LPI steuerte außerdem die Expression von Gpr55 in Mikroglia und beeinflusste deren Migrationsverhalten. Die vorliegenden Ergebnisse machen deutlich, dass LPI in einem in vitro Modellsystem zur Untersuchung des sekundären neuronalen Schadens protektiv wirkt und für die Vermittlung dieser Neuroprotektion Mikroglia und GPR55 in Frage kommen.

Low-probability-of-intercept (LPI) radars are notoriously difficult for electronic support receivers to detect and identify due to their changing radar parameters and low power. Previous work has been done to create autonomous methods that can estimate the parameters of some LPI radar signals, utilizing methods outside of Deep Learning. Designs using the Wigner-Ville Distribution in combination with the Hough and the Radon transform have shown some success. However, these methods lack full autonomous operation, require intermediary steps, and fail to operate in too low Signal-to-Noise ratios (SNR). An alternative method is presented here, utilizing Convolutional Neural Networks, with images created by the Smoothed-Pseudo Wigner-Ville Distribution (SPWVD), to extract parameters. Multiple common LPI modulations are studied, frequency modulated continuous wave (FMWC), Frank code and, Costas sequences. Five Convolutional Neural Networks (CNNs) of different sizes and layouts are implemented to monitor estimation performance, inference time, and their relationship. Depending on how the parameters are represented, either with continuous values or discrete, they are estimated through different methods, either regression or classification. Performance for the networks’ estimations are presented, but also their inference times and potential maximum throughput of images. The results indicate good performance for the largest networks, across most variables estimated and over a wide range of SNR levels, with decaying performance as network size decreases. The largest network achieves a standard deviation for the estimation errors of, at most, 6%, for the regression variables in the FMCW and the Frank modulations. For the parameters estimated through classification, accuracy is at least 56% over all modulations. As network size decreases, so does the inference time. The smallest network achieves a throughput of about 61000 images per second, while the largest achieves 2600. / Low-Probability-of-Intercept (LPI) radar är designad för att vara svåra att upptäcka och identifiera. En LPI radar uppnår detta genom att använda en låg effekt samt ändra något hos radarsignalen över tid, vanligtvis frekvens eller fas. Estimering av parametrarna hos vissa typer av LPI radar har gjorts förut, med andra metoder än djupinlärning. De metoderna har använt sig av Wigner-Ville Distributionen tillsammans med Hough och Radon transformer för att extrahera parametrar. Nackdelarna med dessa är framför allt att de inte fungerar fullständigt i för höga brusnivåer utan blir opålitliga i deras estimeringar. Utöver det kräver de också visst manuellt arbete, t.ex. i form av att sätta tröskelvärden. Här presenteras istället en metod som använder faltningsnätverk tillsammans med bilder som genererats genom Smoothed- Pseudo Wigner-Ville Distributionen, för att estimera parametrarna hos LPI radar. Vanligt förekommande LPI-modulationer studeras, som frequency modulated continuous wave (FMCW), Frank-koder och Costas-sekvenser. Fem faltningsnätverk av olika storlek implementeras, för att kunna studera prestandan, analystiden per bild, och deras förhållande till varandra. Beroende på hur parametrarna representeras, antingen med kontinuerliga värden eller diskreta värden, estimeras de med olika metoder, antingen regression eller klassificering. Prestanda för nätverkens estimeringar presenteras, men också deras analystid och potentiella maximala genomströmning av bilder. Testen för parameterestimering visar på god prestanda, speciellt för de större nätverken som studerats. För det största nätverket är standardavvikelsen på estimeringsfelen som mest 6%, för FMCW- och Frank-modulationerna. För alla parametrar som estimeras genom klassificering uppnås som minst 56% precision för det största nätverket. Även i testerna för analystid är nätverksstorlek relevant. När storleken minskar, går antalet beräkningar som behöver göras ned, och bilderna behandlas snabbare. Det minsta nätverket kan analysera ungefär 61000 bilder per sekund, medan det största uppnår ungefär 2600 per sekund.

Lightning activity is considered a severe meteorological hazard that needs to be studied, monitored as well as predicted. This thesis focuses on the prediction of lightning activity by the Lightning Potential Index (LPI) in the COSMO numerical weather prediction (NWP) model that comprises 1- and 2-moment (1M and 2M, respectively) cloud microphysical schemes. The objective of this thesis is to investigate the correlation between the predicted lightning activity and the detected one (by the European network for lightning detection EUCLID). Events of the years 2018 and 2019 that recorded significant lightning activity over Czechia are considered for the analyses. For the first time over Czech region, the prognostic values of LPI calculated for each event are verified. In particular, the spatio- temporal distribution of the predicted vs. detected lightning activity is evaluated. Both spatial characterizations and diurnal course of detected lightning activity correspond well to the theoretical knowledge. Thus, spatial (horizontal) and temporal approaches are applied to verify the lightning activity prediction. The results of this thesis successfully verify the LPI prognostic values both in space by comparing the LPI values with the proximity of detected lightning flashes, and in time by contrasting the...

The purpose of low probability of intercept (LPI) radar is, on top of the standard requirements on a radar, to remain undetected by hostile electronic warfare (EW) systems. This can be achieved primarily by reducing the amount of radiated power in any given direction at all times and is done by transmitting longer modulated pulses that can then be compressed digitally in order to retain range resolution. There are multiple different methods of performing pulse compression modifying either the phase or frequency of the transmitted waveform. Another method for attaining LPI properties of a radar is to avoid having a large main lobe in the transmit pattern and instead having lower gain patterns. This then results in a need for post-processing of these patterns by summation of weighted combination of these low gain patterns in order to reform the high gain patterns and thus retain angular resolution. In this work a number of pulse compression waveforms are analysed and compared using their ambiguity properties in order to ascertain which ones can be used in a radar system. They are then used in simulation with GO-CFAR detectors using a variety of analysis tools, specifically the short term Fourier transform (STFT), Wigner-Ville distribution (WVD), quadrature mirror filter bank (QMFB) and spectral correlation density (SCD). Their performance against the detector is based on the rate that the waveforms trigger an alarm and the lower the alarm rate the better the performance. The base reference in terms of performance for these evaluations was set as a triangular FMCW waveform. The results show that the polyphase coded waveforms have good radar and LPI properties in comparison to the FMCW. The frequency hopping codes showed good LPI properties with a large number of frequencies in the sequence but suffer from large ACF side lobes and poor Doppler tolerance. The best LPI results were achieved by a phase coded signal with a random order to its phase terms whilst still maintaining a perfect periodic autocorrelation function (PACF). Potential issues remain with high frequency out of band emission that could lead to a mismatch due to receiver bandpass filtering. The low gain patterns investigated were expanded to include two way patterns for a 2D array and array element tapering. The method works and can be further optimised in order to minimise emissions but adds a significant increase to integration times when the array size grows large.

No description available.

Die vorliegende Arbeit beinhaltet experimentelle Untersuchungen zur neuroprotektiven Wirkung des körpereigenen Lipids L-alpha-Lysophosphatidylinositol (LPI). Die Vermittlung dieser Wirkung soll durch den zentralnervös exprimierten G-Protein-gekoppelten Rezeptor 55 (GPR55) erfolgen. Als Modelsystem diente die organotypische hippocampale Schnittkultur (OHSC) der Ratte, welche exzitotoxisch mittels N-Methyl-D-Aspartat (NMDA) geschädigt wurde, um Neurodegeneration zu initiieren. Die Inkubation mit LPI nach NMDA-Schädigung reduzierte die Anzahl toter Neurone und die der Mikroglia in der Körnerzellschicht des Gyrus dentatus. Ein Clodronat-induzierter Verlust der Mikroglia und die siRNA-vermittelte Herabregulation von Gpr55 hoben jeweils den neuroprotektiven Effekt von LPI in der OHSC auf. Diese Beobachtungen wiesen auf eine Mikroglia- und GPR55 abhängige Neuroprotektion hin. LPI wirkte zudem synergistisch und verstärkte die (bekannter Maßen) durch Cannabinoide induzierte und über den Cannabinoid Typ 1 Rezeptor vermittelte Neuroprotektion. Ferner wurde Gpr55 mittels qPCR in Mikroglia und Astrozyten nachgewiesen. LPI steuerte außerdem die Expression von Gpr55 in Mikroglia und beeinflusste deren Migrationsverhalten. Die vorliegenden Ergebnisse machen deutlich, dass LPI in einem in vitro Modellsystem zur Untersuchung des sekundären neuronalen Schadens protektiv wirkt und für die Vermittlung dieser Neuroprotektion Mikroglia und GPR55 in Frage kommen.

This study evaluates noise robustness of convolutional autoencoders and neural networks for classification of Low Probability of Intercept (LPI) radar modulation type. Specifically, a number of different neural network architectures are tested in four different synthetic noise environments. Tests in Gaussian noise show that performance is decreasing with decreasing Signal to Noise Ratio (SNR). Training a network on all SNRs in the dataset achieved a peak performance of 70.8 % at SNR=-6 dB with a denoising autoencoder and convolutional classifier setup. Tests indicate that the models have a difficult time generalizing to SNRs lower than what is provided in training data, performing roughly 10-20% worse than when those SNRs are included in the training data. If intermediate SNRs are removed from the training data the models can generalize and perform similarly to tests where, intermediate noise levels are included in the training data. When testing data is generated with different parameters to training data performance is underwhelming, with a peak performance of 22.0 % at SNR=-6 dB. The last tests done use telecom signals as additive noise instead of Gaussian noise. These tests are performed when the LPI and telecom signals appear at different frequencies. The models preform well on such cases with a peak performance of 80.3 % at an intermidiate noise level. This study also contribute with a different, and more realistic, way of generating data than what is prevalent in literature as well as a network that performs well without the need for signal preprocessing. Without preprocessing a peak performance of 64.9 % was achieved at SNR=-6 dB. It is customary to generate data such that each sample always includes the start of its signals period which increases performance by around 20 % across all tests. In a real application however it is not certain that the start of a received signal can be determined. / Detta arbete studerar brustålighet hos neurala nätverk för klassificering av \textit{låg sannolikhet för avlyssning} (LPI) radars modulationstyp. Specifikt testas ett antal arkitekturer baserade på faltningsnätverk och evalueras i fyra olika syntetiska brusmiljöer. Tester genomförda på data med Gaussiskt brus visar att klasificeringsfelet är ökande med ett minskande signal-till-brusförhållande. Om man låter nätverken träna på alla brusnivåer som ingår i datan uppnås en högsta pricksäkerhet om 70.8 % vid ett signal-till-brusförhållande på -6 dB. Vidare tester tyder på att nätverken presterar sämre på låga signal-till-brusförhållanden om de inte finns med i träningsdata och ger i allmänhet mellan 10-20 % sämre pricksäkerhet. Om de mellersta brusnivåerna inte finns med i träningsdata presterar nätverken lika bra som när de finns med i träningsdata. Om träningsdata och testdata genereras med olika parameterar presterar nätverken dåligt. För dessa tester uppnås en högsta pricksäkerhet om 22.0 % vid ett signal-till-brusförhållande på -6 dB. Den sista brusmiljön som testades på använder sig av telekom signaler som om de vore brus istället för Gaussiskt brus. I detta fall är LPI och telekom signalerna väl skiljda i frekvens och nätverken presterar lika bra som tester i Gaussiskt brus med högt signal-till-brusförhållande. Högsta pricksäkerhet som uppnåts på dessa tester är 80.3 % i mellanhög brusnivå. Detta arbete bidrar även med nätverk som presterar bra utan att data behöver signalbehandlas innnan den kan klassificeras samt genererar data på ett mer realistiskt vis än tidigare litteratur inom detta område. Utan att signalbehandla data uppnåddes en högsta pricksäkerhet om 64.9 % vid ett signal-till-brusförhållande på -6 dB. Den mer realistiska datan genereras så att dess startpunkt är slumpmässig. I litteraturen brukar startpunkten inkluderas och uppnår på så vis överlag pricksäkerheter som är ungefär 20 % högre än de tester som genomförs i detta arbete. I verkliga applikationer är det sällan man kan identifera en signals startpunkt med säkerhet.

Sedan radar började användas under första hälften av 1900-talet har duellen mellan radar och signalspaning pågått. Genom att utnyttja radar har alltid en medveten risk tagits, risken att bli upptäckt av motståndarens signalspaning. Duellen gavs möjlighet att ta en paus då radarsystem med låg uteffekt introducerades på marknaden under slutet av 1980-talet, nu fanns plötsligt en möjlighet att använda radar samtidigt som de samtida signalspaningssystemen inte kunde upptäcka dessa radarsystem. I föreliggande magisteruppsats i krigsvetenskap med militärteknisk inriktning undersöks räckviddsförhållanden mellan dessa radarsystem och signalspaningssystem. Genom scenarier i den marina arenan försöker jag värdera de taktiska vinster en användare av radar med låg uteffekt kan göra. Analysen visar på att det fram till dess att signalspaningssystem med förmåga att upptäcka radar som utnyttjar låg uteffekt finns tillgängligt är det möjligt att nå taktiska fördelar med dessa system. / Since the advent of radar during the early 20th century the duel between radar and electronic support measurement systems has been practised. Using radar has always been associated with a risk of being detected by an opponent’s electronic support measurement systems. The duel came to a halt when radar systems using low output power were introduced on the market during the late 1980s, now it was possible to use radar without being detected by contemporary electronic support measurement systems. The present master of science (one year) thesis in war science with specialization in military technology looks into the range relationships between radar and electronic support measurement systems. Through scenarios in the naval domain, I seek to assess the tactical benefits a user of low probability of intercept radar may have. The analysis indicates that until electronic support measurement systems with the ability to detect radar systems using low output power are available it is still possible to gain tactical advantages with such systems.

Deep Neural Networks (DNNs) have shown promising results in classifying known Low-probability-of-intercept (LPI) radar signals in noisy environments. However, regular DNNs produce low-quality confidence and uncertainty estimates, making them unreliable, which inhibit deployment in real-world settings. Hence, the need for robust uncertainty estimation methods has grown, and two categories emerged, Bayesian approximation and ensemble learning. As autonomous LPI radar classification is deployed in safety-critical environments, this study compares Bayesian Neural Networks (BNNs) and Deep Ensembles (DEs) as uncertainty estimation methods. We synthetically generate a training and test data set, as well as a shifted data set where subtle changes are made to the signal parameters. The methods are evaluated on predictive performance, relevant confidence and uncertainty estimation metrics, and method-related metrics such as model size, training, and inference time. Our results show that our DE achieves slightly higher predictive performance than the BNN on both in-distribution and shifted data with an accuracy of 74% and 32%, respectively. Further, we show that both methods exhibit more cautiousness in their predictions compared to a regular DNN for in-distribution data, while the confidence quality significantly degrades on shifted data. Uncertainty in predictions is evaluated as predictive entropy, and we show that both methods exhibit higher uncertainty on shifted data. We also show that the signal-to-noise ratio affects uncertainty compared to a regular DNN. However, none of the methods exhibit uncertainty when making predictions on unseen signal modulation patterns, which is not a desirable behavior. Further, we conclude that the amount of available resources could influence the choice of the method since DEs are resource-heavy, requiring more memory than a regular DNN or BNN. On the other hand, the BNN requires a far longer training time. / Tidigare studier har visat att djupa neurala nätverk (DNN) kan klassificera signalmönster för en speciell typ av radar (LPI) som är skapad för att vara svår att identifiera och avlyssna. Traditionella neurala nätverk saknar dock ett naturligt sätt att skatta osäkerhet, vilket skadar deras pålitlighet och förhindrar att de används i säkerhetskritiska miljöer. Osäkerhetsskattning för djupinlärning har därför vuxit och på senare tid blivit ett stort område med två tydliga kategorier, Bayesiansk approximering och ensemblemetoder. LPI radarklassificering är av stort intresse för försvarsindustrin, och tekniken kommer med största sannolikhet att appliceras i säkerhetskritiska miljöer. I denna studie jämför vi Bayesianska neurala nätverk och djupa ensembler för LPI radarklassificering. Resultaten från studien pekar på att en djup ensemble uppnår högre träffsäkerhet än ett Bayesianskt neuralt nätverk och att båda metoderna uppvisar återhållsamhet i sina förutsägelser jämfört med ett traditionellt djupt neuralt nätverk. Vi skattar osäkerhet som entropi och visar att osäkerheten i metodernas slutledningar ökar både på höga brusnivåer och på data som är något förskjuten från den kända datadistributionen. Resultaten visar dock att metodernas osäkerhet inte ökar jämfört med ett vanligt nätverk när de får se tidigare osedda signal mönster. Vi visar också att val av metod kan influeras av tillgängliga resurser, eftersom djupa ensembler kräver mycket minne jämfört med ett traditionellt eller Bayesianskt neuralt nätverk.

The innate immune system are a cooperation of many components – receptors being one of them. Both membrane-bound and cytosolic receptors play a large role in the defence system against pathogens and danger. NLRP3 is a receptor which assembles a protein complex called inflammasome in response to cytosolic stress and is responsible for many autoimmune diseases if it malfunctions. The activation of the NLRP3 inflammasome leads to secretion of inflammatory cytokines and in many cases to programmed cell death. The structure, function and activation of the NLRP3 inflammasome is still not fully understood and the urge to understand the mechanisms behind are important for future medical improvements. The aim was to anchor the NLRP3 inflammasome by the cell membrane - By Overlap PCR, the NLRP3 cDNA was fused extracellular and trans-membrane parts of the TLR4 cDNA to anchor the NLRP3 to the membrane and in turn analyse the inflammasome with LPI™ technology. Multiple primers and a TLR4 nucleotide were designed and the NLRP3 was amplified with specific overhangs by PCR. The fusion protein was successfully linked together by Overlap PCR but not confirmed by sequencing. The gene fusion demands high quality primers for amplification and further evaluation must be made to the details of the laboratory. To anchor the protein complex to the cell membrane, continue to be of full importance and can be an asset in many structural studies and biopharmaceuticals trials.