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.

<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>

<p>Detta arbete tar upp och diskuterar det eventuella användandet av representationer i en autonom robot kontrollerad av ett extended sequential neural network (ESCN). Diskussionen utgår från en tidigare distinktion, framförd av bl.a. Bickhard och Terveen (1995), mellan traditionella representationer, som förespråkas av kognitivismen, och interaktiva representationer, som förespråkas av många företrädare för en mer förkroppsligad och situerad syn på kognition. Resultatet i detta arbete visar att det är möjligt, med hänvisning till robotens interna tillstånd, att påstå att roboten inte använder sig av representationer i någon traditionell bemärkelse. Resultatet visar vidare att det är möjligt att hävda att roboten använder sig av interaktiva representationer. Detta resultat är av intresse som förklaringsmodell till representationsbegreppet vid fortsatta försök att modellera kognition med hjälp av ESCN inom adaptiv robotik.</p>

<p>I dagens samhälle finns det en mängd olika maskiner för att underlätta ardagssysslorna, såsom batteridrivna dammsugare och gräsklippare. Gräsklippardomänen används i detta projekt, för att undersöka vilken av monolitisk och hierarkisk kontrollarkitektur i en batteridriven gräsklippare som har bäst generaliseringsförmåga. Gräsklippardomänen används som testdomän därför att det finns en oändlig mängd olika yt-fromer. Med generalisering menas hur bra gräsklipparen klipper på ytor som den nyligen eller aldrig tränats på. Experiment har utförs på båda kontrollarkitekturerna i en simulator. Val av kontrollarkitektur spelar inte någon större roll för gräsklipparen. Bidraget med detta arbete är att undersöka hur bra de olika arkitekturerna generaliserar.</p>

Företaget Omicron Ceti AB köpte en Intel Movidius Neural Compute Stick (NCS), som är en usb-enhet där neurala nätverk kan laddas in för att processa data. Min uppgift blev att studera hur NCS används och göra en guide med exempel. Med TensorFlow och hjälpbiblioteket TFLearn gjordes först ett testnätverk för att prova hela kedjan från träning till användning med NCS. Sedan tränades ett nätverk att kunna klassificera 14 olika ord. En mängd olika utformningar på nätverket testades, men till slut hittades ett exempel som blev en bra utgångspunkt och som efter lite justering gav en träffsäkerhet på 86% med testdatat. Vid inläsning i mikrofon så blev resultatet lite sämre, med 67% träffsäkerhet. Att processa data med NCS tog längre tid än med TFLearn men använde betydligt mindre CPU-kraft. I mindre system såsom en Raspberry Pi går det däremot inte ens att använda TensorFlow/TFLearn, så huruvida det är värt att använda NCS eller inte beror på det specifika användningsscenariot. / Omicron Ceti AB company had an Intel Movidius Neural Compute Stick (NCS), which is a usb device that may be loaded with neural networks to process data. My assignment was to study how NCS is used and to make a guide with examples. Using TensorFlow and the TFLearn help library a test network was made for the purpose of trying the work pipeline, from network training to using the NCS. After that a network was trained to classify 14 different words. Many different configurations of the network were tried, until a good example was found that was expanded upon until an accuracy of 86% with the test data was reached. The accuracy when speaking into a microphone was a bit worse at 67%. To process data with the NCS took a longer time than with TFLearn but used a lot less CPU power. However it’s not even possible to use TensorFlow/TFLearn in smaller systems like a Raspberry Pi, so whether it’s worth using the NCS depends on the specific usage scenario.