För att hitta en mindre beräkningskrävande modell för energiuppskattning av vågdata har artificiella neurala nätverks förmåga att efterlikna ett punktabsorberande vågkraftsverks bojpositioner vid havsvågor från Islandsberg undersökts. Genom att undersöka antal dolda lager samt inparametrarnas enhet, tidsupplösning och antal har olika neurala artificiella nätverk tagits fram som efterliknar bojpositioner lösta med en linjär- samt olinjärmodell. Det artificiella neurala nätverk som bäst efterliknar bojpositioner lösta med den linjära modellen har 1 dolt lager och 50 inparametrar, med tidsupplösning 0,1 sekunder. Dess inparametrar består enbart av inkommande våghöjder. För dessa parametrar uppskattar det artificiella neurala nätverket en medeleffekt som skiljer sig från den linjära modellen med 1,78% då dämpningskoefficienten är 200kNs/m. Beräkningstiden för den linjära modellen är 0,087 sekunder vilket är ungefär 20 gånger snabbare än med det artificiella neurala nätverket och då är inte träningstiden för det artificiella neurala nätverket medräknad. Det artificiella neurala nätverk som bäst efterliknar bojpositioner lösta med den olinjära modellen har 11 dolda lager och 50 inparametrar, med tidsupplösning 0,1 sekunder. Dess inparametrar består enbart av inkommande vågs excitationskraft. För dessa parametrar uppskattar det artificiella neurala nätverket en medeleffekt som skiljer sig från den linjära modellen med 0,3% då dämpningskoefficienten är 130kNs/m. Beräkningstiden för 30 minuters vågdata för den olinjära modellen är 41 minuter och 6 sekunder vilket kan jämföras med 57 sekunder för det artificiella neurala nätverket. Då är inte träningstiden för det artificiella neurala nätverket medräknad. Genom att ändra dämpningskoefficienten till optimala värden, med en frekvens mycket högre än vågperioden, fås en högre energiabsorptionen. En genetisk algoritm används för att beräkna den optimala följden av dämpningskoefficienter och för att prediktera den optimala dämpningskoefficienten används ett artificiellt neuralt nätverk. Vid undersökning där det artificiella neurala nätverket predikterade nästkommande optimala dämpningskoefficient fås en energiabsorption som är 20% högre än den energiabsorption som fås med en optimal konstant dämpningskoefficient.

<p>Denna uppsats utreder ifall två kognitionsvetenskapliga perspektiv kan bidra till en effektivare informationslogistik.</p><p>Med detta som bakgrund har ett tvärvetenskapligt förhållningssätt använts för att framhäva kontraster mellan de båda områdena. Teori har tagits från kognitionsvetenskapens nätverks- och artificiella intelligens perspektiv samtidigt som empirin utgörs av en fallbeskrivning av en Informationslogistisk applikation. Kontraster mellan de båda områdena har vägts mot varandra och teorier om på vilka sätt de två perspektiven skulle kunna berika den informationslogistiska applikationen har dragits. Dessutom har mer generella slutsatser dragits från nätverks- och det artificiella intelligens perspektiven för att besvara hur de på en generell nivå skulle kunna bidra med kunskaper till andra informationslogistiska applikationer.</p><p>Resultatet i uppsatsen visar att det med ett tvärvetenskapligt förhållningssätt går att importera kunskaper från det kognitionsvetenskapliga hållet till informationslogistiken.</p>

<p>Denna rapport jämför två nätverksarkitekturer för artificiella neurala nätverk vars uppgift är att realisera ett styrsystem för ett fordon som det även skall lära sig att styra. Jämförelsen bygger på utförda experiment där de båda nätverken fick lära sig att styra ett fordon längs en slumpgenererad väg. Båda nätverken bygger på belöningsbaserad inlärning för att lära sig lösa uppgiften.</p><p>Resultatet av utvärderingen visar både att nätverken inte hade några problem med att lära sig att styra fordonet och att de inte krävde lång tid för att kunna lära sig hur fordonet skulle styras. Resultaten visar inte heller att någon skillnad fanns i vare sig tillförlitlighet eller generaliseringsförmåga hos de båda nätverksarkitekturerna.</p>

Denna uppsats utreder ifall två kognitionsvetenskapliga perspektiv kan bidra till en effektivare informationslogistik. Med detta som bakgrund har ett tvärvetenskapligt förhållningssätt använts för att framhäva kontraster mellan de båda områdena. Teori har tagits från kognitionsvetenskapens nätverks- och artificiella intelligens perspektiv samtidigt som empirin utgörs av en fallbeskrivning av en Informationslogistisk applikation. Kontraster mellan de båda områdena har vägts mot varandra och teorier om på vilka sätt de två perspektiven skulle kunna berika den informationslogistiska applikationen har dragits. Dessutom har mer generella slutsatser dragits från nätverks- och det artificiella intelligens perspektiven för att besvara hur de på en generell nivå skulle kunna bidra med kunskaper till andra informationslogistiska applikationer. Resultatet i uppsatsen visar att det med ett tvärvetenskapligt förhållningssätt går att importera kunskaper från det kognitionsvetenskapliga hållet till informationslogistiken.

Procedural content generation is a common way to create model resources in the computer graphics area. It is beneficial for generating large-scale models such as buildings, forests, etc. This project focus on the generation of the urban forest, which is a case often overlooked. The placement of trees is vital for the realism of a procedurally generated scene. After analyzing the advantages and limits of current studies, the project proposes a novel system with a placement algorithm for generating forests in city areas. The system first takes a satellite image as the input and outputs a marked image. Then a placement algorithm is designed specifically for generating trees in the marked part of the image. To make the distribution more realistic, the placement algorithm combines regularity and scalable randomness with adjustable parameters including jittered range, rejection number, and cluster ratio. The system is validated by a perceptual user study and quantitative evaluation. In both experiments, the designed placement algorithm is compared with 3 other baseline algorithms (regular, random, and boundary algorithm) in 4 different map layouts. The user study is a perceptual experiment that utilized 2-AFC methods to test the effectiveness of the system and investigate how the parameters contribute to realism. The results come from 30 participants in total. The quantitative evaluation compared the distance between certain algorithms and a manually-crafted scene based on real images. The results show that randomness (controller by the parameter jittered range) is the top factor that contributes to the perceived realism of urban forests. Participants also tend to base their perception on the specific map layout. Besides, the clustering of trees (controller by the parameter cluster ratio) also increases the realism of the scene. The system is able to efficiently generate urban forests, but the realism of the results depends on the map and parameters of the algorithm. / Generering av procedurinnehåll är ett vanligt sätt att skapa modellresurser inom datorgrafikområdet. Det är fördelaktigt för att generera storskaliga modeller som byggnader, skogar etc. Detta projekt fokuserar på genereringen av den urbana skogen, vilket är ett fall som ofta förbises. Placeringen av träd är avgörande för realismen i en processuellt genererad scen. Efter att ha analyserat fördelarna och begränsningarna med nuvarande studier, föreslår projektet ett nytt system med en placeringsalgoritm för att generera skog i stadsområden. Systemet tar först en satellitbild som ingång och matar ut en markerad bild. Sedan är en placeringsalgoritm utformad specifikt för att generera träd i den markerade delen av bilden. För att göra fördelningen mer realistisk kombinerar placeringsalgoritmen regelbundenhet och skalbar slumpmässighet med justerbara parametrar, inklusive jitterområde, avvisningsnummer och klusterförhållande. Systemet valideras genom en perceptuell användarstudie och kvantitativ utvärdering. I båda experimenten jämförs den designade placeringsalgoritmen med 3 andra baslinjealgoritmer (vanlig, slumpmässig och gränsalgoritm) i 4 olika kartlayouter. Användarstudien är ett perceptuellt experiment som utnyttjade 2-AFC-metoder för att testa systemets effektivitet och undersöka hur parametrarna bidrar till realism. Resultaten kommer från totalt 30 deltagare. Den kvantitativa utvärderingen jämförde avståndet mellan vissa algoritmer och en manuellt framställd scen baserad på verkliga bilder. Resultaten visar att slumpmässighet (kontrolleras av parametern jitter range) är den främsta faktorn som bidrar till den upplevda realismen i urbana skogar. Deltagarna tenderar också att basera sin uppfattning på den specifika kartlayouten. Dessutom ökar klustringen av träd (kontrolleras av parametern klusterförhållande) också scenens realism. Systemet kan effektivt generera urbana skogar, men realismen i resultaten beror på kartan och parametrarna för algoritmen.

<p> </p><p>Att använda artificiella neurala nätverk i datorspel blir ett allt mer populärt sätt att styra de datorstyrda agenterna då detta gör att agenterna får ett mer mänskligt beteende och förmågan att generalisera och möta nya situationer och klara sig igenom dessa på ett sätt som andra typer av artificiell intelligens inte alltid kan hantera. Svårigheten med denna teknik är att träna nätverket vilket ofta kräver en lång tid av inlärning och många olika träningfall. Genom att använda genetiska algoritmer för att träna upp nätverken så kan mycket av det både tid och prestandakrävande arbetet undvikas. Denna rapport kommer att undersöka möjligheten att använda genetiska tekniker för att träna artificiella neurala nätverk i en miljö anpassad till och med fokus på spel. Att använda genetiska tekniker för att träna artificiella neurala nätverk är en bra inlärningsteknik för problem där det enkelt går att skapa en passande fitnessfunktion och där andra inlärningstekniker kan vara svåra att använda. Det är dock ingen teknik som helt tar bort arbetet från utvecklare utan istället flyttar det mer åt att utveckla fitnessfunktionen och modifiera variabler.</p><p> </p>

Att använda artificiella neurala nätverk i datorspel blir ett allt mer populärt sätt att styra de datorstyrda agenterna då detta gör att agenterna får ett mer mänskligt beteende och förmågan att generalisera och möta nya situationer och klara sig igenom dessa på ett sätt som andra typer av artificiell intelligens inte alltid kan hantera. Svårigheten med denna teknik är att träna nätverket vilket ofta kräver en lång tid av inlärning och många olika träningfall. Genom att använda genetiska algoritmer för att träna upp nätverken så kan mycket av det både tid och prestandakrävande arbetet undvikas. Denna rapport kommer att undersöka möjligheten att använda genetiska tekniker för att träna artificiella neurala nätverk i en miljö anpassad till och med fokus på spel. Att använda genetiska tekniker för att träna artificiella neurala nätverk är en bra inlärningsteknik för problem där det enkelt går att skapa en passande fitnessfunktion och där andra inlärningstekniker kan vara svåra att använda. Det är dock ingen teknik som helt tar bort arbetet från utvecklare utan istället flyttar det mer åt att utveckla fitnessfunktionen och modifiera variabler.

Performing causal reasoning in a scene is an inherent mechanism in human cognition; however, the majority of approaches in the causality literature aiming for this task still consider constrained scenarios, such as simple physical systems or stationary time-series data. In this work we aim for causal discovery in videos concerning realistic scenarios. We gather motivation for causal discovery by acknowledging this task to be core at human cognition. Moreover, we interpret the scene as a composition of time-series that interact along the sequence and aim for modeling the non-stationary behaviors in a scene. We propose State-dependent Causal Inference (SDCI) for causal discovery in conditional stationary time-series data. We formulate our problem of causal analysis by considering that the stationarity of the time-series is conditioned on a categorical variable, which we call state. Results show that the probabilistic implementation proposed achieves outstanding results in identifying causal relations on simulated data. When considering the state being independent from the dynamics, our method maintains decent accuracy levels of edge-type identification achieving 74.87% test accuracy when considering a total of 8 states. Furthermore, our method correctly handles regimes where the state variable undergoes complex transitions and is dependent on the dynamics of the scene, achieving 79.21% accuracy in identifying the causal interactions. We consider this work to be an important contribution towards causal discovery in videos. / Att utföra kausala resonemang i en scen är en medfödd mekanism i mänsklig kognition; dock betraktar fortfarande majoriteten av tillvägagångssätt i kausalitetslitteraturen, som syftar till denna uppgift, begränsade scenarier såsom enkla fysiska system eller stationära tidsseriedata. I detta arbete strävar vi efter kausal upptäckt i videor om realistiska scenarier. Vi samlar motivation för kausal upptäckt genom att erkänna att denna uppgift är kärnan i mänsklig kognition. Dessutom tolkar vi scenen som en komposition av tidsserier som interagerar längs sekvensen och syftar till att modellera det icke-stationära beteendet i en scen. Vi föreslår Tillståndsberoende kausal inferens (SDCI) för kausal upptäckt i villkorlig stationär tidsseriedata. Vi formulerar vårt problem med kausalanalys genom att anse att tidsseriens stationäritet är villkorad av en kategorisk variabel, som vi kallar tillstånd. Resultaten visar att det föreslagna probabilistiska genomförandet uppnår enastående resultat vid identifiering av orsakssambandet på simulerade data. När man överväger att tillståndet är oberoende av dynamiken, upprätthåller vår metod anständiga noggrannhetsnivåer av kanttypsidentifiering som uppnår 74, 87% testnoggrannhet när man överväger totalt 8 tillstånd. Dessutom hanterar vår metod korrekt regimer där tillståndsvariabeln genomgår komplexa övergångar och är beroende av dynamiken på scenen och uppnår 79, 21% noggrannhet för att identifiera kausala interaktioner. Vi anser att detta arbete är ett viktigt bidrag till kausal upptäckt i videor.

In this project, the problem concerns predicting insurance premiums and particularly vehicle insurance premiums. These predictions were made with the help of Bayesian Neural Networks (BNNs), a type of Artificial Neural Network (ANN). The central concept of BNNs is that the parameters of the network follow distributions, which is beneficial. The modeling was done with the help of TensorFlow's Probability API, where a few models were built and tested on the data provided. The results conclude the possibility of predicting insurance premiums. However, the output distributions in this report were too wide to use. More data, both in volume and in the number of features, and better-structured data are needed. With better data, there is potential in building BNN and other machine learning (ML) models that could be useful for production purposes. / Detta projekt grundar sig i möjligheten till att predikera försäkringspremier, mer specifikt fordonsförsäkringspremier. Prediktioner har gjorts med hjälp av Bayesianska neurala nätverk, vilket är en typ av artificiella neurala nätverk. Det huvudsakliga konceptet med Bayesianska neurala nätverk är att parametrarna i nätverket följer distributioner vilket har vissa fördelar och inte är fallet för vanliga artificiella neurala nätverk. Ett antal modeller har konstruerats med hjälp av TensorFlow Probability API:t som tränats och testats på given data. Resultatet visar att det finns potential att prediktera premier med hjälp av de egenskapspunkter\footnote[2]{\say{Features} på engelska} som finns tillgängliga, men att resultaten inte är tillräckligt bra för att kunna användas i produktion. Med mer data, både till mängd och egenskapspunkter samt bättre strukturerad data finns potential att skapa bättre modeller av intresse för produktion.

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.