Spelling suggestions: "subject:"prediktion""
1 |
How memory of the past, a predictable present and expectations of the future underpin adaptation to the sound environmentNöstl, Anatole January 2015 (has links)
By using auditory distraction as a tool, the main focus of the present thesis is to investigate the role of memory systems in human adaptation processes towards changes in the built environment. Report I and Report II focus on the question of whether memory for regularities in the auditory environment is used to form predictions and expectations of future sound events, and if violations of these expectations capture attention. Collectively the results indicate that once a stable neural model of the sound environment is created, violations of the formed expectations can capture attention. Furthermore, the magnitude of attentional capture is a function of the pitch difference between the expected tone and the presented tone. The second part of the thesis is concerned with, (a) the nature (i.e. the specificity) of the neural model formed in an auditory environment and, (b) whether complex cognition in terms of working memory capacity modulates habituation rate. The results in Report III show that the disruptive effect of the deviation effect diminishes with the number of exposures over time, and also as a function of working memory capacity. The aim of Report IV was to investigate the nature (and specificity) of the neural model formed in an auditory environment. If the neural model is fashioned around a specific stimulus then an observable increase of response latency should occur in conjunction with the deviant change. The results in Experiment 1 in Report IV, however, show that the habituation rate remained the same throughout the experiment. To further test the specificity of the neural model the modalityof the deviant event was switched (from auditory to visual and vice versa) in Experiment 3 in Report IV. The collective findings indicate that the formed neural model may be of a more general nature than previously suggested. The aim of Experiment 2 in Report IV was to investigate what properties of the sound environment underpin habituation rate, more specifically if predictability of a deviant trial facilitates the habituation process. The finding that the habituation rate was similar whether there was a fixed temporal interval between the deviant trials or a random interval suggests that the amount of occurrences (i.e. number of deviant trials) determines habituation rate, not the predictability of a deviant trial. / Denna avhandling undersöker vilken roll minnessystem har i anpassningen till förändringar i den byggda miljön. Delrapport I och Delrapport II fokuserar på frågan om regelbundenheter i den auditiva miljön används för att skapa förväntningar och prediktioner gällande framtida händelser, och vidare, om avvikelser från dessa förväntningar fångar uppmärksamheten. Sammantaget tyder resultaten på att uppmärksamheten fångas om nämnda förväntningar inte infrias. Vidare visar resultaten att magnituden av den fångade uppmärksamheten är en funktion av skillnaden mellan den förväntade tonen och den presenterade tonen. Den andra delen av avhandlingen undersöker (a) karaktären (dvs. specificiteten) av den neurala modellen och (b) om komplex kognition i termer av arbetsminneskapacitet påverkar habituation. Resultaten i Delrapport III visar att den störande effekten av den avvikande tonen minskar dels med antalet exponeringar och dels som en funktion av arbetsminneskapacitet. Syftet med Delrapport IV var att undersöka hur specifik den skapade neurala modellen är. Resultaten i Experiment 1 i Delrapport IV visar att habituationstakten förblev densamma under hela experimentet även om den avvikande tonen byttes ut under experimentets gång. Detta tillsammans med resultaten i Experiment 3 i Delrapport IV, där habituation kunde påvisas även om modaliteten av den avvikande händelsen byttes från auditiv till visuell och vice versa, indikerar att den neurala modellen är av en mer allmän karaktär än vad man tidigare trott. Syftet med Experiment 2 i Delrapport IV var att undersöka vilka egenskaper i ljudmiljön som påverkar habituationstakten. Upptäckten att takten var likvärdig oavsett om det fanns ett fast eller ett slumpmässigt intervall mellan de avvikande tonerna tyder på att det är mängden förekomster (dvs. antalet avvikande toner), snarare än predicerbarhet, som avgör habituationstakten.
|
2 |
Utilizing logistic regression to apply the ELO system in forecasting Premier League odds / Användning av logistisk regression för att tillämpa ELO-systemet vid prognostisering av Premier League-oddsThegelström, Claudio January 2023 (has links)
This thesis provides insights into the creation of a model for predicting odds in the Premier League. It illustrates how the ELO system and historical odds, in combination with Monte Carlo simulations, can be implemented through logistic regression to predict odds in an unbiased way. The findings are that the model performs generally well, but significantly worse at the beginning and end of the Premier League seasons. For further improvements, it is most likely necessary to factor in variables not available in the current model. Such factors could for example be incentives, injuries, or changes in the squad, all not being accounted for by the model in this case. / Detta examensarbete ger insikter om skapandet av en modell för att förutsäga oddsen i Premier League. Den visar hur ELO-systemet och historiska odds, i kombination med Monte Carlo-simuleringar, kan implementeras genom logistisk regression för att förutsäga oddsen på ett opartiskt sätt. Resultaten visar att modellen generellt sett fungerar bra, men betydligt sämre i början och slutet av Premier League-säsongerna. För ytterligare förbättringar är det troligtvis nödvändigt att ta hänsyn till variabler som inte är tillgängliga i den nuvarande modellen. Sådana faktorer kan till exempel vara incitament, skador eller förändringar i truppen, som alla inte tas hänsyn till i modellen i detta fall.
|
3 |
Spent Nuclear Fuel under Repository Conditions : Update and Expansion of Database and Development of Machine Learning Models / Utbränt kärnbränsle under djupförvarsbetingelser : Uppdatering och expansion av databas samt utveckling av maskininlärningsmodellerAbada, Maria January 2022 (has links)
Förbrukat kärnbränsle är mycket radioaktivt och behöver därför lagras i djupa geologiska förvar i tusentals år innan det säkert kan återföras till naturen. På grund av de långa lagringsperioderna görs säkerhetsanalyser av de djupa geologiska förvaren. Under säkerthetsanalyserna görs upplösningsexperiment på förbrukat kärnsbränsle för att utvärdera konsekvenserna av att grundvatten läcker in i bränslet vid barriärbrott. Dessa experiment är både dyra och tidskrävande, varför beräkningsmodeller som kan förutsäga förburkat kärnbränsles upplösningsbeteende är önskvärda. Denna avhandling fokuserar på att samla in tillgängliga experimentella data från upplösningsexperiment för att uppdatera och utöka en databas. Med hjälp av databasen har upplösningsbeteendet för varje radionuklid utvärderats och jämförts med tidigare kunskap från befintlig litteratur. Även om det var svårt att vara avgörande om beteendet hos element där en begränsad mängd data fanns tillgänglig, motsvarar de upplösningsbeteenden som hittats för olika radionuklider i denna avhandling inte bara tidigare studier utan ger också ett verktyg för att hantera och jämföra förbrukat kärnbränsles upplösningsdata från olika utgångsmaterial, bestrålningshistorik och betingeleser under upplösning. Dessutom gjorde sammanställningen av en så stor mängd experimentella data det möjligt att förstå var framtida experimentella ansträngningar bör fokuseras, exempelvis finns det en brist på data under reducerande förhållanden. Dessutom utvecklades och kördes maskininlärningsmodeller med hjälp av Artificial Neural Network (ANN), Random Forest (RF) och XGBoost-algoritmer med hjälp av databasen, varefter prestandan utvärderades. Prestanda för varje algoritm jämfördes för att få en förståelse för vilken modell som presterade bäst, men också för att förstå om dessa typer av modeller är lämpliga verktyg för att förutspå förbrukat kärnbränsles upplösningsbeteende. Den bäst presterande modellen, med träning och test R2 resultat nära 1, var XGBoost-modellen. Även om XGBoost hade en hög prestanda, drogs slutsatsen att mer experimentell data behövs innan maskininlärningsmodeller kan användas i verkliga situationer. / Spent nuclear fuel (SNF) is highly radioactive and therefore needs to be stored in deep geological repositories for thousands of years before it can be safely returned to nature. Due to the long storage times, performance assessments (PA) of the deep geological repositories are made. During PA dissolution experiments of SNF are made to evaluate the consequences of groundwater leaking into the fuel canister in case of barrier failure. These experiments are both expensive and time consuming, which is why computational models that can predict SNF dissolution behaviour are desirable. This thesis focuses on gathering available experimental data of dissolution experiments to update and expand a database. Using the database, the dissolution behaviour of each radionuclide (RN) has been evaluated and compared to previous knowledge from existing literature. While it was difficult to be conclusive on the behaviour of elements where a limited amount of data was available, the dissolution behaviours found of different radionuclides in this thesis not only correspond to previous studies but also provide a tool to manage and compare SNF leaching data from different starting materials, irradiation history and leaching conditions. Moreover, the compilation of such a large amount of experimental data made it possible to understand where future experimental efforts should be focused, i.e. there is a lack of data during reducing conditions. In addition, machine learning models using Artificial Neural Network (ANN), Random Forest (RF) and XGBoost algorithms were developed and run using the database after which the performances were evaluated. The performances of each algorithm were compared to get an understanding of which model performed best, but also to understand whether these kinds of models are suitable tools for SNF dissolution behaviour predictions. The best performing model, with training and test R2 scores close to 1, was the XGBoost model. Although XGBoost, had a high performance, it was concluded that more experimental data is needed before machine learning models can be used in real situations.
|
Page generated in 0.0915 seconds