Tez (Yüksek Lisans) - Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Matematik Anabilim Dalı, 2008. / Kaynakça var.

Software testing plays a vital role in the software development life cycle. Having a more accurate and cost-efficient testing process is still demanded in the industry. Thus, test optimization becomes an important topic in both state of the art and state of the practice. Software testing today can be performed manually, automatically or semi-automatically. A manual test procedure is still popular for testing for instance in safety critical systems. For testing a software product manually, we need to create a set of manual test case specifications. The number of required test cases for testing a product is dependent on the product size, complexity, the company policies, etc. Moreover, generating and executing test cases manually is a time and resource consuming process. Therefore, ranking the test cases for execution can help us reduce the testing cost and also release the product faster to the market. In order to rank test cases for execution, we need to distinguish test cases from each other. In other words, the properties of each test case should be detected in advance. Requirement coverage is detected as a critical criterion for test cases optimization. In this thesis we propose an approach based on a $p$-Laplacian Spectral Clustering for detecting the traceability matrix between manual test cases and the requirements, in order to find the requirement coverage for the test cases. However, the feasibility of the proposed approach is studied by an empirical evaluation which has been performed on a railway use-case at Bombardier Transportation in Sweden. Through the experiments performed using our proposed method it was able to achieve an $F_1$-score up to $4.4\%$. Although the proposed approach under-performed for this specific problem compared to previous studies, it was possible to get some insights on what limitations $p$-Laplacian Spectral Clustering have and how it could potentially be modified for similar kind of problems. / Mjukvarutestning har en viktig roll inom mjukvaruutveckling. Att ha en mer exakt och kostnadseffektiv testprocess är efterfrågad i industrin. Därför är testoptimering ett viktigt ämne inom forskning och i praktiken. Idag kan mjukvarutestning utföras manuellt, automatiskt eller halvautomatiskt. En manuell testprocess är fortfarande populär för att testa säkerhetskritiska system. För att testa en programvara manuellt så måste vi skapa en uppsättning specifikationer för testfall. Antalet testfall som behövs kan bero på bland annat produktens storlek, komplexitet, företagspolicys etc. Att generera och utföra testfall manuellt är ofta en tids- och resurskrävande process. För att minska testkostnader och för att potentiellt sett kunna släppa produkten till marknaden snabbare kan det därför vara av intresse att rangordna vilka test fall som borde utföras. För att göra rangordningen så måste testfallens särskiljas på något vis. Med andra ord så måste varje testfalls egenskaper upptäckas i förväg. En viktig egenskap att urskilja från testfallen är hur många krav testfallet omfattar. I det här projektet tar vi fram en metod baserad på $p$-Laplacian spektralklustring för att hitta en spårbarhetsmatris mellan manuella testfall och krav för att ta reda på vilka krav som omfattas av alla testfall. För att evaluera metodens lämplighet så jämförs den mot en tidigare empirisk studie av samma problem som gjordes på ett järnvägsbruk hos Bombardier Transportation i Sverige. Från de experiment som utfördes med vår framtagna metod så kunde ett $F_1$-Score på $4.4\%$ uppnås. Även om den metod som togs fram i detta projekt underpresterade för det här specifika problemet så kunde insikter om vilka begränsningar $p$-Laplacian spektralklustring har och hur de potentiellt sett kan behandlas för liknande problem.

Sequences of event intervals occur in several application domains, while their inherent complexity hinders scalable solutions to tasks such as clustering and classification. In this thesis, we propose a novel spectral embedding representation of event interval sequences that relies on bipartite graphs. More concretely, each event interval sequence is represented by a bipartite graph by following three main steps: (1) creating a hash table that can quickly convert a collection of event interval sequences into a bipartite graph representation, (2) creating and regularizing a bi-adjacency matrix corresponding to the bipartite graph, (3) defining a spectral embedding mapping on the bi-adjacency matrix. In addition, we show that substantial improvements can be achieved with regard to classification performance through pruning parameters that capture the nature of the relations formed by the event intervals. We demonstrate through extensive experimental evaluation on five real-world datasets that our approach can obtain runtime speedups of up to two orders of magnitude compared to other state-of-the-art methods and similar or better clustering and classification performance. / Sekvenser av händelsesintervall förekommer i flera applikationsdomäner, medan deras inneboende komplexitet hindrar skalbara lösningar på uppgifter som kluster och klassificering. I den här avhandlingen föreslår vi en ny spektral inbäddningsrepresentation av händelsens intervallsekvenser som förlitar sig på bipartitgrafer. Mer konkret representeras varje händelsesintervalsekvens av en bipartitgraf genom att följa tre huvudsteg: (1) skapa en hashtabell som snabbt kan konvertera en samling händelsintervalsekvenser till en bipartig grafrepresentation, (2) skapa och reglera en bi-adjacency-matris som motsvarar bipartitgrafen, (3) definiera en spektral inbäddning på bi-adjacensmatrisen. Dessutom visar vi att väsentliga förbättringar kan uppnås med avseende på klassificeringsprestanda genom beskärningsparametrar som fångar arten av relationerna som bildas av händelsesintervallen. Vi demonstrerar genom omfattande experimentell utvärdering på fem verkliga datasätt att vår strategi kan erhålla runtime-hastigheter på upp till två storlekar jämfört med andra modernaste metoder och liknande eller bättre kluster- och klassificerings- prestanda.

Computed Tomography (CT) is a non-invasive x-ray imaging method capable of reconstructing highly detailed cross-sectional interior maps of an object. CT is used in a range of medical applications such as detection of skeletal fractures, organ trauma and artery calcification. Reconstructing CT images requires the use of a forward operator, which is essentially a simulation of the scanning process. Photon-Counting CT is a rapidly developing alternative to conventional CT that promises higher spatial resolution, more accurate material separation and more robust reconstructions. A major difficulty in Photon-Counting CT is to model cross-talk between detectors. One way is to incorporate a wide point-spread function into the forward operator. Although this method works, it drastically slows down the reconstruction process.  In this thesis, we accelerate image reconstruction tasks for photon-counting CT by approximating the cross-talk component of the forward operator with a deep neural network, resulting in a learned forward operator. The learned operator reduces reconstruction error by an order of magnitude at the cost of a 20% increase in computation time, compared to ignoring cross-talk altogether. Furthermore, it generalises well to both unseen data and unseen detector settings. Our results indicate that a learned forward operator is a suitable way of approximating the forward operator in photon-counting CT. / Datortomografi (CT) är en icke-invasiv röntgenmetod som kan skapa högupplösta tvärsnittsbilder av objekt. CT används i en stor mängd tillämpningar, exempelvis vid detektion av frakturer, mjukvävnadstrauma och åderförkalkning. När man rekonstuerar tvärsnitt i CT krävs en simuleringsmodell som kallas framåtoperatorn. Fotonräknande CT är ett alternativ till konventionell CT som utlovar högre upplösning, mer precis uppdelning av material och högre robusthet i rekonstruktionerna. I fotonräknande CT är det viktigt att ta hänsyn till överhörning mellan detektorerna. Ett sätt är att inkorporera en punktspridningsfunktion i framåtoperatorn, vilket dessvärre saktar ned rekonstruktionsprocessen drastiskt.  I detta examensarbete approximerar vi överhörningseffekten mellan detektorer med ett djupt neuralt nätverk, med syfte att accelerera rekonstruktionsprocessen för fotonräknande spektral CT. Den inlärda framåtoperatorn reducerar rekonstruktionsfelet med en faktor tio på bekostnad av en 20-procentig ökning i beräkningstid, jämfört med en framåtoperator som inte modellerar överhörning. Vi visar att den inlärda framåtoperatorn generaliserar väl till data som den inte är tränad på, men även detektorinställningar den inte är van vid. Våra resultat tyder på att den inlärda framåtoperatorn är en lämplig approximationsmetod för framåtoperatorn i fotonräknande CT.

Tez (Yüksek Lisans) - Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Matematik Anabilim Dalı, 2007. / Bibliyografya var.

In the last decade, high-order methods have gained increased attention. These combine the convergence properties of spectral methods with the geometrical flexibility of low-order methods. However, the time step is restrictive, necessitating the implicit treatment of diffusion terms in addition to the pressure. Therefore, efficient solution of elliptic equations is of central importance for fast flow solvers. As the operators scale with O(p · N), where N is the number of degrees of freedom and p the polynomial degree, the runtime of the best available multigrid algorithms scales with O(p · N) as well. This super-linear scaling limits the applicability of high-order methods to mid-range polynomial orders and constitutes a major road block on the way to faster flow solvers. This work reduces the super-linear scaling of elliptic solvers to a linear one. First, the static condensation method improves the condition of the system, then the associated operator is cast into matrix-free tensor-product form and factorized to linear complexity. The low increase in the condition and the linear runtime of the operator lead to linearly scaling solvers when increasing the polynomial degree, albeit with low robustness against the number of elements. A p-multigrid with overlapping Schwarz smoothers regains the robustness, but requires inverse operators on the subdomains and in the condensed case these are neither linearly scaling nor matrix-free. Embedding the condensed system into the full one leads to a matrix-free operator and factorization thereof to a linearly scaling inverse. In combination with the previously gained operator a multigrid method with a constant runtime per degree of freedom results, regardless of whether the polynomial degree or the number of elements is increased. Computing on heterogeneous hardware is investigated as a means to attain a higher performance and future-proof the algorithms. A two-level parallelization extends the traditional hybrid programming model by using a coarse-grain layer implementing domain decomposition and a fine-grain parallelization which is hardware-specific. Thereafter, load balancing is investigated on a preconditioned conjugate gradient solver and functional performance models adapted to account for the communication barriers in the algorithm. With the new model, runtime prediction and measurement fit closely with an error margin near 5 %. The devised methods are combined into a flow solver which attains the same throughput when computing with p = 16 as with p = 8, preserving the linear scaling. Furthermore, the multigrid method reduces the cost of implicit treatment of the pressure to the one for explicit treatment of the convection terms. Lastly, benchmarks confirm that the solver outperforms established high-order codes.

Ring artifacts are a common problem with the use of photon-counting detectors and commercial deployment rests on being able to compensate for them. Deep learning has been proposed as a candidate for tackling the inefficiency or high cost of traditional techniques. In that spirit, we propose a new approach to ring artifact reduction, namely one that employs Residual Networks in sinogram domain. We train them on data simulated via a realistic photon-counting CT model based on numerical phantoms of real scans acquired by the KiTS19 Challenge dataset. By exploring various architectures we find that shallow ResNets achieve a significant artifact reduction by staying more true to the ground truth in terms of not introducing new artifacts. All networks introduce a smoothing effect which is attributed to the use of MSE as a loss function. An alternative training scheme using patches instead of whole sinograms is tested and it shows a slightly improved model stability. Lastly, we demonstrate via a performance metric study that common metrics are not suitable for quantifying the performance in this problem, save for a potential new approach in the virtual mono-energetic domain. / Ringartefakter är ett vanligt problem vid användning av fotonräknande detektorer och kommersiell introduktion kräver att man kan kompensera för dem. Djupinlärning har föreslagits som en kandidat för att hantera ineffektiviteten eller de höga kostnaderna för traditionella tekniker. I den andan föreslår vi ett nytt tillvägagångssätt för att reducera ringartefakter, nämligen en som använder sig av residualnätverk i sinogramdomänen. Vi tränar dem på data simulerad via en realistisk fotonräkning CT modell baserad på numeriska fantomer av verkliga skanningar från datamängen KiTS19 Challenge. Genom att utforska olika arkitekturer finner vi att grunda ResNet uppnår en betydande minskning av artefakter genom bevara en större likhet med den sanna bilden när det gäller att inte introducera nya artefakter. Alla nätverk introducerar en utsmetningseffekt som tillskrivs användningen av MSE som en förlustfunktion. Ett alternativt träningsschema med utsnitt istället för hela sinogram testas och det visar en något förbättrad modellstabilitet. Slutligen visar vi genom en prestandamåttstudie att vanliga prestandamått inte är lämpliga för att kvantifiera prestandan i detta problem med undantag för ett potentiellt nytt tillvägagångssätt i den virtuella monoenergetiska domänen.

Real-time spatial awareness is essential in areas such as robotics and autonomous navigation. However, as environments expand and become increasingly complex, maintaining both a low computational load and high mapping accuracy remains a significant challenge. This thesis addresses these challenges by proposing a novel method for real-time construction of continuous Euclidean distance fields (EDF) using Gaussian process (GP) regression, hereafter referred to as GP-EDF, tailored specifically for large indoor environments. The proposed approach focuses on leveraging the inherent structural information of indoor spaces by partitioning them into rooms and constructing a local GP-EDF model for each, reducing the computational cost tied to large matrix operations in GPs. By also exploiting the geometric regularities commonly found in indoor spaces it detects walls and represents them as line segments. This information is integrated into the models’ priors to both improve accuracy and further reduce the computational expense. Comparison with two baselines demonstrated the proposed approach’s effectiveness. It maintained low computation times despite increasing amounts of sensor data, signifying a significant improvement in scalability. Results also confirmed that the EDF quality remains high and isn’t affected by partitioning the GP-EDF into local models. The method also reduced the influence of sensor noise on the EDF’s accuracy when incorporating the line segments into the model. Additionally, the proposed room segmentation method proved to be efficient and generated accurately partitioned rooms, with a high degree of independence between them. In conclusion, the proposed approach offers a scalable, accurate and efficient solution for real-time construction of EDFs, demonstrating significant potential in aiding autonomous navigation within large indoor spaces. / Realtidsrumslig medvetenhet är avgörande inom områden som robotik och autonom navigering. Emellertid, när miljöer expanderar och blir alltmer komplexa, kvarstår det en betydande utmaning att bibehålla både en låg beräkningsbelastning och hög kartläggningsnoggrannhet. Denna avhandling bemöter dessa utmaningar genom att föreslå en ny metod för realtidskonstruktion av kontinuerliga euklidiska avståndsfält (EDF) med hjälp av regression via gaussiska processer (GP), hädanefter benämnd GP-EDF, specifikt anpassad för stora inomhusmiljöer. Den föreslagna metoden fokuserar på att utnyttja den inneboende strukturella informationen i inomhusmiljöer genom att dela upp dem i rum och konstruera en lokal GP-EDF-modell för varje rum, vilket minskar den beräkningsbelastning som är kopplad till stora matrisoperationer i GP:er. Genom att även utnyttja de geometriska regelbundenheter som vanligtvis finns i inomhusutrymmen, detekterar den väggar och representerar dem som linjesegment. Denna information integreras sedan i modellernas a priori-fördelningar, både för att förbättra noggrannheten och ytterligare minska den beräkningsmässiga kostnaden. Jämförelse med två baslinjemodeller demonstrerade den föreslagna metodens effektivitet. Den bibehöll låga beräkningstider trots ökande mängder sensordata, vilket indikerar en betydande förbättring av skalbarheten. Resultaten bekräftade även att kvaliteten på EDF:en förblir hög och påverkas inte av uppdelningen av GP-EDF:en i lokala modeller. Metoden minskade även sensorbrusets inverkan på EDF:ens noggrannhet vid integrering av linjesegment i modellen. Dessutom visade sig den föreslagna rumsegmenteringsmetoden vara effektiv och genererade korrekt uppdelade rum, med en hög grad av oberoende mellan dem. Sammanfattningsvis erbjuder den föreslagna metoden en skalbar och effektiv lösning för realtidskonstruktion av EDF:er, och visar på betydande potential att underlätta autonom navigering inom stora inomhusutrymmen.

Diese Arbeit untersucht die N = 4 super-Yang-Mills-Theorie bei schwacher Kopplung, mit dem Ziel eines tieferen Verständnisses von Größen der Theorie als Zustände des integrablen Modells dass der planaren Theorie zu Grunde liegt. Wir leiten On-Shell-Diagramme für Formfaktoren des chiralen Energie-Impuls-Tensor-Multipletts aus der BCFW-Rekursion her, und untersuchen deren Eigenschaften. Dies erlaubt die Herleitung eines Graßmannschen Integrals. Für NMHV-Formfaktoren bestimmen wir die Integrationskontur. Dies erlaubt es das Integral mit einer Twistor-String-Formulierung in Beziehung zu setzen. Mit Hilfe dieser Methoden zeigen wir dass Formfaktoren des chiralen Energie-Impuls-Tensor-Multipletts und On-Shell-Funktionen mit Einfügungen beliebiger Operatoren Eigenzustände integrabler Transfermatrizen sind. Diese Identitäten verallgemeinern die Yangsche Invarianz der On-Shell-Funktionen von Amplituden. Wir zeigen weiterhin dass ein Teil der Yangschen Symmetrien erhalten bleibt. Wir erweitern unsere Untersuchung auf nichtplanare On-Shell-Funktionen und zeigen dass sie ebenfalls solche Symmetrien besitzen. Weitere Identitäten mit Transfermatrizen werden hergeleitet, und zeigen insbesondere dass Diagramme auf Zylindern als Intertwiner fungieren. Als Schritt hin zur Berechnung der Eigenzustände des integrablen Modells zu höheren Schleifenordnungen untersuchen wir Einspuroperatoren. Hier erlaubt die Quantum Spectral Curve die nichtperturbative Berechnung ihres Spektrums, liefert jedoch keine Information zu den Zustände. Die QSC kann als Q-System verstanden werden, welches durch Baxter Q-Operatoren formulierbar sein sollte. Um darauf hinzuarbeiten untersuchen wir die Q-Operatoren nichtkompakter Superspinketten und entwickeln ein effiziente Methode zur Berechnung ihrer Matrixelemente. Dies erlaubt es das gesamte Q-System durch Matrizen für jeden Anregungssektor zu realisieren, und liefert die Grundlage für perturbative Rechnungungen mit der QSC in Operatorform. / This thesis investigates weakly coupled N = 4 super Yang-Mills theory, aiming at a better understanding of various quantities as states of the integrable model underlying the planar theory. We use the BCFW recursion relations to develop on-shell diagrams for form factors of the chiral stress-tensor multiplet, and investigate their properties. The diagrams allow to derive a Graßmannian integral for these form factors. We devise the contour of this integral for NMHV form factors, and use this knowledge to relate the integral to a twistor string formulation. Based on these methods, we show that both form factors of the chiral stress-tensor multiplet as well as on-shell functions with insertions of arbitrary operators are eigenstates of integrable transfer matrices. These identities can be seen as symmetries generalizing the Yangian invariance of amplitude on-shell functions. In addition, a part of these Yangian symmetries are unbroken. We furthermore consider nonplanar on-shell functions and prove that they exhibit a partial Yangian invariance. We also derive identities with transfer matrices, and show that on-shell diagrams on cylinders can be understood as intertwiners. To make progress towards the calculation of the higher loop eigenstates of the integrable model, we consider single trace operators, for which the Quantum Spectral Curve determines their spectrum non-perturbatively. This formulation however carries no information about the states. The QSC is an algebraic Q-system, for which an operatorial form in terms of Baxter Q-operators should exist. To initiate the development such a formulation we investigate the Q-operators of non-compact super spin chains and devise efficient methods to evaluate their matrix elements. This allows to obtain the entire Q-system in terms of matrices for each magnon sector. These can be used as input data for perturbative calculations using the QSC in operatorial form.

Diese Dissertation ist ein Beitrag zum Forschungsfeld der Stressökologie, im Spe-ziellen der Verhaltensökotoxikologie. Das spontane lokomotorische Verhalten der Fischarten Danio rerio und Leucaspius delineatus wurde unter sublethaler Expo-sition mit dem Cyanobakterientoxin Microcystin-LR (MC-LR) und dem Xenobio-tikums 2.4.4`-Trichlorobiphenyl (PCB 28) quantifiziert. Die Schwimmgeschwin-digkeit und Anzahl der Wendungen wurden kontinuierlich mit einem automati-schen Video-Monitoringsystem unter Laborbedingungen aufgezeichnet. In Hin-blick auf zyklische Aspekte wurden die Verhaltensanalysen mit chronobiologi-schen Methoden kombiniert. Hiermit wurde gezeigt, dass MC-LR und PCB 28 zu signifikanten Effekten in Verhalten und Aktivitätsrhythmik beider Fischarten führten. Höhere Konzentrati-onen beider Untersuchungssubstanzen verursachten eine deutliche Aktivitätsredu-zierung bei Danio rerio und Leucaspius delineatus. Einige der festgestellten Do-sis-Wirkungsbeziehungen entsprechen der Hormesistheorie, z. B. war bei geringe-ren MC-LR Konzentrationen ein Aktivitätsanstieg und bei höheren ein Aktivitäts-abfall beider Fischarten zu verzeichnen. Die Exposition mit MC-LR und PCB 28 verringerte bei beiden Testfischarten die Synchronisation der Aktivität mit dem Zeitgeber Licht. Dies führte bei beiden Fischarten zu einer Phasenverschiebung. Bei Leucaspius delineatus war unter dem Einfluss von MC-LR eine Phasenumkehr zu verzeichnen, die Fische wechselten von Tag- zu Nachtaktivität. Die Cosinor Analyse zeigte Dosis abhängige Veränderungen der circadianen Rhythmen der Schwimmaktivität (z.B. MESOR, Akrophase) unter Einfluss von MC-LR und PCB 28 an. Die Power Spektral Analyse indizierte für beide Fischar-ten unter Einwirkung von MC-LR and PCB 28 eine reduzierte Dominanz des cir-cadianen Rhythmuspeaks. Da die registrierten Unterschiede in der Reaktion beider Fischarten auf MC-LR und PCB 28 eher gering waren, sind Ergebnisse der Art Danio rerio, die häufig in Toxizitätstests verwendet wird, mit denen der einheimischen Art Leucaspius deli-neatus vergleichbar. Die Ergebnisse belegen, dass Verhaltensuntersuchungen in Kombination mit chronobiologischen Auswertemethoden eine sensitive und zuverlässige Abschät-zung des Gefährdungspotentials von Substanzen sowohl auf dem Gebiet der Öko-toxikologie als auch für Biomonitoring ermöglichen. / This thesis contributes to the field of stress ecology specifically behavioural ecotoxicology. The spontaneous locomotor behavior of two fish species Danio re-rio and Leucaspius delineatus was recorded and quantified continuously under sublethal exposure to the cyanotoxin microcystin-LR (MC-LR) and the xenobioti-cum 2.4.4`-trichlorobiphenyl (PCB 28). By using an automated video-monitoring system, the swimming velocity and the number of turns were assessed under labo-ratory conditions. For analysing cyclic aspects basic behavioural analyses were combined with chronobiological procedures as cosinor analysis and power spec-tral analysis. Both MC-LR and PCB 28 acted as stressors and caused significant changes in the behaviour and circadian activity rhythms of Danio rerio as well as Leucaspius de-lineatus. So for both species elevated concentrations of the stressors led to a re-duction of their activity. Some dose-responses correspond to the hormesis theory, e.g., there was an increase of daytime activity at lower MC-LR concentrations and a decrease at elevated concentrations of MC-LR for both species. A degree of desynchronisation of activity to the zeitgeber light, which led to a phase shift was caused by the chemicals in both fish species. In Leucaspius de-lineatus this shift was so drastic that this species reversed their significant diurnal activity and became nocturnal under the influence of MC-LR. The Cosinor analysis revealed MC-LR- and PCB 28-induced, dose-dependent al-terations of the circadian rhythms of activity (e.g., MESOR, acrophase). The power spectral analysis showed that the dominance of the circadian rhythmic peak (of 24 h) was reduced under MC-LR and PCB 28 for both species. Since the observed differences in the reactions of both species to MC-LR and PCB 28 were rather small, the results of the species Danio rerio which is widely used for environmental risk assessment tests, are comparable to those of the native European species Leucaspius delineatus. The findings of this study proved that the basic behavioural analyses combined with chronobiological procedures could be valuable tools for the study of stressful or even harmful environmental factors in the field of ecotoxicology as well as for biomonitoring.