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.

Artificial breathing is vital when it comes to treatment of critically ill patients where the natural breathing mechanism is insufficient. With the help of mechanical ventilators, the natural breathing mechanism of the patient can be assisted or even exchanged with the artificial breathing from the machine. Small errors and unexpected events in these systems may lead to serious damages on the patients, causing even more harm than good. Therefore, these systems require a lot of testing and monitoring to ensure functionality. With the use of accurate simulation models, testing time can be reduced by running test in the simulation environment instead of on the actual machine. The simulation models can also be used for monitoring functions in real time, making sure the ventilation of the patient is working as expected. When it comes to simulating a ventilator system controlled with high frequency ventilation techniques, the existing simulation models fail to reproduce the high frequency dynamics that appear during high frequency ventilation. This paper proposes a modelling approach for mechanical ventilator systems exposed to high frequency dynamics. Focus is placed on modeling the patient circuit including the inspiratory and expiratory tubes, the humidifier with the dry line tube, the Y-piece, the tracheal tube and the patient lungs. The model is based on mathematical models representing the thermodynamic and pneumatic behaviour of the system. It is built using Simulink with regular and customized building blocks from Simscape. Compared to pre-existing simulation models, this model includes the inertia effects of the gas which is crucial when it comes to accurately modeling the system while being exposed to fast changes in flow and pressure. To evaluate the model performance, the simulated pressure and flow at the patient port are compared to measured data from an experimental setup. From the results of this thesis it was seen that the model is very sensitive to the patient model used in the simulation environment, which means that the patient model has to be remodeled in order to archive a better model performance. Compared to the pre-existing model used for comparison in this thesis, it is seen that an increased parameter model produces more accurate results. / Konstgjord andning är livsavgörande när det kommer till behandling av kritiskt sjuka patienter där den naturliga andningsmekanismen inte fungerar som den ska. Med hjälp av mekanisk ventilation kan den naturliga andningsmekanismen hos patienten assisteras eller helt ersättas av denna konstgjorda andning. Små fel eller oväntade händelser i dessa system kan vara livsfarliga för patienten och kan orsaka mer skada än nytta. Detta gör att dessa system kräver mycket testning och övervakning för att säkerställa att allt fungerar som tänkt. Med hjälp av noggranna simuleringsmodeller kan testtiden minskas samtidigt som dessa simuleringsmodeller kan användas för övervakning av systemet i realtid, detta för att säkerställa systemets funktion. När det kommer till simulering av ventilatorsystem som ventileras med högfrekventa ventilationstekniker, misslyckas de befintliga simuleringsmodellerna att återskapa den högfrekventa dynamik som uppstår under högfrekvent ventilation. Denna uppsatts föreslår en modelleringsmetod för att kunna modellera mekaniska ventilatorsystem som utsätts för högfrekvent dynamik. Fokus för projektet har varit att modellera patientkretsen inklusive inandnings- och utandningsslangarna, luftfuktaren med torrlinjeslangen, Y-kopplingen, trakealtuben och patientens lungor. Modellen är baserad på matematiska modeller som representerar systemets termodynamiska och pneumatiska beteende. Den är byggd i Simulink med existerande och anpassade block från Simscape. Jämfört med redan existerande simuleringsmodeller inkluderar denna modell gasens tröghetseffekter, vilket är avgörande när det gäller att noggrant modellera systemet samtidigt som det utsätts för snabba förändringar i flöde och tryck. För att utvärdera modellens prestanda jämförs det simulerade trycket och flödet vid patientporten med uppmätta data från en experimentell uppställning i labbmiljö. Resultaten från detta projekt visar att modellen är väldigt känslig för patientmodellen som används i simuleringsmiljön, vilket innebär att patientmodellen måste rekonstrueras för att uppnå en bättre prestanda för modellen. Jämfört med den redan existerande modellen som används för jämförelse i denna avhandling, syns det att en ökad parametermodell ger ett resultat närmare de uppmätta signalerna från det verkliga systemet.

The electrification of the automotive industry and artificial intelligence are both growing rapidly and can be greatly beneficial for a more sustainable future when combined. Induction machines exhibit many complex relationships between physical and electromagnetic properties that must be calculated in order to produce the correct quantities of torque and speed commanded by the driver. This is why calculations that depend on sensory information are often cross-monitored and supervised to prevent unsafe conditions or damage to the equipment. Safe torque estimation has a substantial role in safety which requires the fulfillment of ASIL C defined by ISO 26262. The calculation of safe torque is based on rotor temperature among other safety parameters. Traditional methods of obtaining rotor temperature include thermal models, state observers, and active parameter estimation. These methods rely on complex mathematical equations that have the risk of being incorrect and can sometimes be unfeasible in a practical environment. Naturally, we investigate whether we can embed Artificial Neural Networks in the software since we know that they can solve complex non-linear problems exceptionally well when combined with supervised machine learning. To supervise and train the network, we must first acquire the rotor temperature in an experimental setting with a temperature sensor. Then we embed the model into the software of an electrical inverter produced by Inmotion using a microcontroller framework. This way, predictions of rotor temperature can be made in a live environment without the sensor. Using the mean squared error of the output and k-fold cross-validation we can apply a corrected t-test to make a comparison and statistical evaluation of the models. The results in this research prove that a machine learning model can in fact be used to replace the current traditional state observer model that is based on stator temperature. We find that when stator and rotor temperatures are uncorrelated and different, the machine learning model is able to generalize much more accurately passing the t-test with an alpha threshold of  α  = 0.05. Results also reveal that the obtained rotor temperature can be used as reliable input for estimating safe torque by evaluating the measurements from a live motor with a realistic safety requirement. / Elektrifieringen av fordonsindustrin och artificiell intelligens växer i snabb takt där de båda har stor potential att vara välgörande för en mer hållbar framtid när de kombineras. Induktionsmotorer grundar sig på många komplicerade förhållanden mellan fysiska och elektromagnetiska egenskaper som måste beräknas för att förse rätt vridmoment och hastighet som föraren begär. Därför är ofta beräkningar som beror på sensorisk information ofta korsövervakad för att förhindra osäkra tillstånd eller skada på utrustningen. Säker vridmoment estimering spelar en stor roll i säkerhet vilket kräver ett uppfyllande av ASIL C definerad av ISO 26262. Beräkningen av denna estimering baseras bland annat på rotor temperatur och andra säkra parametrar. Traditionella metoder för att ta fram rotor temperatur inkluderar termala metoder, tillståndsobserverare och aktiv parameter estimering. Dessa metoder grundar sig på komplexa matematiska ekvationer som har en risk att vara inkorrekta och är ibland ogenomförbara i en praktisk miljö. Naturligt sett så vill vi istället undersöka om vi kan bädda in artificiella neuronnät i mjukvaran eftersom vi vet att de är exceptionellt bra på att lösa komplexa icke-linjära problem i kombination med övervakad maskininlärning. För att övervaka och träna nätverket så måste vi först erhålla rotor temperaturen i en experimentiell miljö med en temperatur sensor. Sedan så kan vi bädda in modellen i mjukvaran för en elektrisk inverterare skapad av Inmotion med ett mikrokontroller ramverk. På så vis så kan vi göra förutsägelser av rotor temperaturen utan behovet av en sensor. Genom att använda medelkvadratfelet och en form av flerstegs validering så kan vi applicera ett korrigerat t-test för att jämföra och göra en statistisk evaluering av modellerna. Resultaten i denna studie visar på att en maskininlärning modell kan användas för att ersätta den nuvarande traditionella modellen som baserar sig på stator temperatur. Vi finner att när stator och rotor temperatur och okorrolerade och olika så generaliserar maskininlärningsmodellen mycket mer exakt och klarar t-testet med en alpha gräns på α = 0.05. Resultaten visar också på att den erhållna rotor temperaturen kan användas som en pålitlig inmatning för att estimera säkert vridmoment genom att evaluera mätningar från en riktig motor med ett realistiskt säkerhetskrav.

Optimizing and controlling the heating systems in buildings is one way to decrease their load on the power grid, as well as introduce load flexibility to be used in Demand Response (DR) applications. A requirement in occupied buildings is that the thermal comfort of the residents is guaranteed, making the optimization of heating systems a constrained problem with respect to indoor temperature. Thermal models capable of predicting indoor temperatures over short (24 hour) horizons are one way to guarantee this comfort. The accuracy and computational complexity of these models have the most significant impact on controller performance. The data requirements and the expert knowledge required for model implementation are also important factors, since they determine the development costs and, finally, whether a model is feasible to implement. First a literature study explores current modeling approaches that depend only on time-series sensor data and that are suited for control applications. A modeling type found to be fit for such purposes are grey-box models, specifically physically inspired inverse models whose parameters are estimated based on data, such as Resistance- Capacitance (RC) models. This modeling of a dynamical system approach uses prior information in the form of the assumed physical equations and has the potential to increase the performance on sparse data problems. The simple form of the model also has a low level of complexity, making it well suited for control applications. However, expert knowledge can be needed for choosing the model equations as well as initializing the parameters. Then the effects of varying RC model complexity, parameter initialization, and training data are investigated in the case study. The chosen models are 1R1C, 2R2C, and 3R2C. They are fitted using the Nelder-Mead algorithm and validated using the data collected from the RISE Research Villa. Parameter initializations are varied by two orders of magnitude and then fitted on different data sequences to avoid relying on expert knowledge in model creation. The initializations that converged with the best R2 training fit on all sequences were deemed reasonable initializations for the problem and used in the training length comparison. The training length of the models varies from 24 to 384 hours. The results showed that increased training data length correlates positively with performance up to 192 hours for all models, but further increasing it gave inconclusive results. The higher order models evaluated struggled to beat the simplest model or even the constant prediction baseline in Mean Absolute Error (MAE) performance at all training lengths, indicating either that the models selected are unsuitable or that the data features chosen are unrepresentative of the indoor temperature dynamics. Regardless, the MAE errors presented here are comparable to the outcomes of related works. This is possibly an artifact of this dataset having a low variance in temperature and thus resulting in lower errors, which underlines the importance of the data used in case-studies. / Att optimera och styra värmesystemen i byggnader är ett sätt att minska belastningen på elnätet och införa flexibilitet i belastningen som kan användas i tillämpningar för efterfrågeflexibilitet (Demand Response, DR). Ett krav i bebodda byggnader är att de boendes termiska komfort garanteras, vilket gör optimeringen av värmesystemen till ett begränsat problem med avseende på inomhustemperaturen. Termiska modeller som kan förutsäga inomhustemperaturer på kort sikt (24 timmar) är ett sätt att garantera denna komfort. Dessa modellers noggrannhet och beräkningskomplexitet har störst inverkan på styrningens prestanda. Datakraven och den expertkunskap som krävs för att genomföra modellen är också viktiga faktorer, eftersom de avgör utvecklingskostnaderna och slutligen om en modell är möjlig att implementera. Först görs en litteraturstudie av nuvarande modelleringsmetoder som endast är beroende av tidsserier av sensordata och som lämpar sig för reglertillämpningar. En modelleringstyp som visat sig vara lämplig för sådana ändamål är grey-box-modeller, särskilt fysikaliskt inspirerade inversa modeller vars parametrar estimeras på basis av data, t.ex. RC-modeller (Resistance-Capacitance). Denna modell av ett dynamiskt system modellering använder förhandsinformation i form av de antagna fysiska ekvationerna och har potential att öka prestandan vid problem med begränsad data. Modellens enkla form har också en låg komplexitetsnivå, vilket gör den väl lämpad för kontrolltillämpningar. Expertkunskap kan dock behövas för att välja modellekvationer och initiera parametrarna. Därefter undersöks effekterna av att variera RC-modellens komplexitet, parameterinitialisering och träningsdata i fallstudien. De valda modellerna är 1R1C, 2R2C och 3R2C. De tränas med hjälp av Nelder-Mead-algoritmen och valideras med hjälp av data som samlats in från RISE Research Villa. Initialiseringarna av parametrarna varieras med två storleksordningar och anpassas sedan på olika dataserier för att undvika att förlita sig på expertkunskap vid skapandet av modellerna. De initialiseringar som konvergerade med den bästa träningsanpassningen R2 på alla sekvenser ansågs vara rimliga initialiseringar för problemet och användes i jämförelsen av träningslängden. Modellernas träningslängd varierar mellan 24 och 384 timmar. Resultaten visade att en ökad längd på träningsdata korrelerar positivt med prestanda upp till 192 timmar för alla modeller, men att ytterligare ökning inte ger några entydiga resultat. De utvärderade modellerna av högre ordning hade svårt att överträffa den enklaste modellen eller till och med referensmodellen med konstant prediktion i fråga om genomsnittligt absolut fel (MAE) vid alla träningslängder, vilket tyder antingen på att de valda modellerna är olämpliga eller att de valda datafunktionerna inte är representativa för inomhustemperaturens dynamik. Oavsett detta är de MAE-fel som presenteras här jämförbara med resultaten från relaterade studier. Detta är möjligen en artefakt av att detta dataset har en låg varians i temperaturen och därmed resulterar i lägre fel, vilket understryker vikten av de data som används i fallstudier.

This thesis addresses a number of problems all related to parameter estimation in sensor array processing. The unifying theme is that some of these parameters are known before the measurements are acquired. We thus study how to improve the estimation of the unknown parameters by incorporating the knowledge of the known parameters; exploiting this knowledge successfully has the potential to dramatically improve the accuracy of the estimates. For covariance matrix estimation, we exploit that the true covariance matrix is Kronecker and Toeplitz structured. We then devise a method to ascertain that the estimates possess this structure. Additionally, we can show that our proposed estimator has better performance than the state-of-art when the number of samples is low, and that it is also efficient in the sense that the estimates have Cram\'er-Rao lower Bound (CRB) equivalent variance. In the direction of arrival (DOA) scenario, there are different types of prior information; first, we study the case when the location of some of the emitters in the scene is known. We then turn to cases with additional prior information, i.e.~when it is known that some (or all) of the source signals are uncorrelated. As it turns out, knowledge of some DOA combined with this latter form of prior knowledge is especially beneficial, giving estimators that are dramatically more accurate than the state-of-art. We also derive the corresponding CRBs, and show that under quite mild assumptions, the estimators are efficient. Finally, we also investigate the frequency estimation scenario, where the data is a one-dimensional temporal sequence which we model as a spatial multi-sensor response. The line-frequency estimation problem is studied when some of the frequencies are known; through experimental data we show that our approach can be beneficial. The second frequency estimation paper explores the analysis of pulse spin-locking data sequences, which are encountered in nuclear resonance experiments. By introducing a novel modeling technique for such data, we develop a method for estimating the interesting parameters of the model. The technique is significantly faster than previously available methods, and provides accurate estimation results. / Denna doktorsavhandling behandlar parameterestimeringsproblem inom flerkanals-signalbehandling. Den gemensamma förutsättningen för dessa problem är att det finns information om de sökta parametrarna redan innan data analyseras; tanken är att på ett så finurligt sätt som möjligt använda denna kunskap för att förbättra skattningarna av de okända parametrarna. I en uppsats studeras kovariansmatrisskattning när det är känt att den sanna kovariansmatrisen har Kronecker- och Toeplitz-struktur. Baserat på denna kunskap utvecklar vi en metod som säkerställer att även skattningarna har denna struktur, och vi kan visa att den föreslagna skattaren har bättre prestanda än existerande metoder. Vi kan också visa att skattarens varians når Cram\'er-Rao-gränsen (CRB). Vi studerar vidare olika sorters förhandskunskap i riktningsbestämningsscenariot: först i det fall då riktningarna till ett antal av sändarna är kända. Sedan undersöker vi fallet då vi även vet något om kovariansen mellan de mottagna signalerna, nämligen att vissa (eller alla) signaler är okorrelerade. Det visar sig att just kombinationen av förkunskap om både korrelation och riktning är speciellt betydelsefull, och genom att utnyttja denna kunskap på rätt sätt kan vi skapa skattare som är mycket noggrannare än tidigare möjligt. Vi härleder även CRB för fall med denna förhandskunskap, och vi kan visa att de föreslagna skattarna är effektiva. Slutligen behandlar vi även frekvensskattning. I detta problem är data en en-dimensionell temporal sekvens som vi modellerar som en spatiell fler-kanalssignal. Fördelen med denna modelleringsstrategi är att vi kan använda liknande metoder i estimatorerna som vid sensor-signalbehandlingsproblemen. Vi utnyttjar återigen förhandskunskap om källsignalerna: i ett av bidragen är antagandet att vissa frekvenser är kända, och vi modifierar en existerande metod för att ta hänsyn till denna kunskap. Genom att tillämpa den föreslagna metoden på experimentell data visar vi metodens användbarhet. Det andra bidraget inom detta område studerar data som erhålls från exempelvis experiment inom kärnmagnetisk resonans. Vi introducerar en ny modelleringsmetod för sådan data och utvecklar en algoritm för att skatta de önskade parametrarna i denna modell. Vår algoritm är betydligt snabbare än existerande metoder, och skattningarna är tillräckligt noggranna för typiska tillämpningar. / <p>QC 20131115</p>