Search

Tässä diplomityössä tutkitaan langatonta lähiverkkoa (WLAN, Wireless Local Area Network) hyödyntävää sisätilapaikannusta bayesilaisen päättelyn ja moniulotteisen skaalauksen avulla. RSS-skannaus on joukko WLAN-signaalinvoimakkuusmittauksia, joille kullekin on identifioitu yksikäsitteinen signaalin lähde eli MAC-osoite. Tässä työssä RSS-skannauksille pyritään etsimään moniulotteisen skaalauksen avulla sellainen koordinaattiesitys, joka vastaisi mahdollisimman hyvin mittapisteiden todellisia sijainteja. Skannausten välisiä etäisyyksiä arvioidaan hyödyntämällä bayesilaista päättelyä. Analyysimenetelmiä testataan simulaatiokokeilla. Moniulotteisen skaalauksen avulla alkioille voidaan ratkaista optimaaliset koordinaatit, kun niiden väliset erilaisuudet tunnetaan. Työssä esitellään koordinaattimuunnosalgoritmi, jota käyttämällä koordinaattien väliset suhteelliset etäisyydet eivät muutu. Bayesilaisessa päättelyssä posterioritodennäköisyyteen vaikuttaa havaintoaineiston informaatio sekä subjektiivinen ennakkotieto tapahtumasta. Tässä työssä bayesilaisen päättelyn hyödyntämä aineisto muodostetaan simuloimalla signaalinvoimakkuusmittauksia virtuaaliseen huoneeseen signaalin vaimenemismallin mukaisesti. Aineistosta muodostetaan todennäköisyystiheysfunktioita ydinestimoinnin avulla. Kun yksittäiset RSS-skannaukset kattavat riittävän monta signaalinvoimakkuusmittausta tukiasemista, jotka ovat sijoittuneet vaihtelevasti eri puolelle huonetta ja sen lähiympäristöä, löydetään bayesilaista päättelyä hyödyntävällä analyysimenetelmällä useimmissa tapauksissa RSS-skannauksille koordinaatit, jotka kuvaavat mittapisteiden todellisia sijainteja. Tapauksissa, joissa signaalinvoimakkuusmittauksia saadaan vain muutamasta tukiasemasta, ei bayesilaisen etäisyysestimoinnin ja moniulotteisen skaalauksen yhdistelmistä ole hyötyä ongelman ratkaisemiseksi.

Satelliittipaikannuksen välttämättömyys on, että paikannussatelliitien sijainnit tunnetaan paikannushetkenä. Tätä varten satelliitit lähettävät tietoa radoistaan käyttäjille kuuden sekunnin mittaisina viesteinä 30 sekunnin intervallilla. Paikannuksen aloittamiseksi käyttäjän on siis odotettava ratatietojen vastaanottamista. Tätä odotusaikaa voidaan lyhentää lataamalla satelliittien ratatiedot internetin välityksellä, mutta kaikilla paikannuslaitteilla ei ole tähän mahdollisuutta, kuten tavallisella auton navigaattorilla tai urheilukellolla. Toinen tapa lyhentää odotusaikaa on ennustaa paikannussatelliittien radat laitteella. Kun laite aloittaa paikannuksen, pystytään satelliittien sijainnit selvittämään edellisillä paikannuskerroilla tehtyjen rataennustusten avulla. Rataennustusten tarkkuus luonnollisesti huononee ennustusajan pidentyessä, mutta riittävään tarkkuuteen päästään vielä muutaman viikon mittaisilla ennustuksilla. Tässä diplomityössä tutkitaan, miten koneoppimista voidaan hyödyntää paikannussatelliittien ratojen ennustuksessa, jota tehdään paikannuslaitteella. Tarkoituksena on tuottaa paikannuslaitteille avusteparametreja, joilla pystytään parantamaan laitteella tehtäviä satelliittien rataennustuksia. Parametrien tulisi olla tiedostokoiltaan tarpeeksi pienikokoisia sekä pitkäikäisiä, jotta niiden lähettäminen laitteelle olisi kannattavaa. Ehtona on myös, että parametrien lisäksi laite hyödyntää vain reaaliaikaista lähetysefemeridiä (broadcast ephemeris), eli internetyhteyttä parametrien vastaanottamisen jälkeen ei ole mahdollisuutta käyttää eikä tallettaa laitteeseen aikaisemmin vastaanotettuja efemeridejä. Ongelmaa on lähestytty siten, että pyritään löytämään koneoppimisen avulla käytössä olevasta ennustusmallista mallinnettavia virheitä. Rataennustuksen virheestä tehdään korjausmalli, jonka funktiona on vain lähetysefemerideistä saatuja parametreja. Laitteella tehdystä ennustuksesta voidaan näin ollen poistaa korjausmallin ennustama virhe, jolloin saadaan parempi ennustus laitteelle. Tarkoitus on selvittää, miten malli suoriutuu 14 vuorokauden mittaisissa ennustuksissa. Työssä havaittiin, että käytetyjen rataennustusten virhe on selvästi aikariippuvainen. Korjausmallin syötteenä on ainoastaan satelliitin tunnistenumero sekä aika kolmessa eri muodossa: vuodenaika, vuorokaudenaika sekä GPS-sekunti. Mallin ulostulon parametrit on pyritty tasapainottamaan ennustustarkkuuden ja parametrien määrän välillä. Koneoppimisen metodina on käytetty satunnaista metsää (random forest), joka on nykystandardeilla täysin varteenotettava vaihtoehto sovelluksissa neuroverkkojen ohella. Sen etuna neuroverkkoihin on huomattavasti nopeampi opetusaika sekä se ettei se ole neuroverkkojen tapaan "musta laatikko", vaan korjausmallin rakennetta voidaan tarkastella yksityiskohtia myöten. Mallilla saadaan parannettua ennustustarkkuutta huomattavasti. Jokainen virhekomponentti (radiaali-, tangentiaali- ja normaalivirhe) saadaan noin puolitettua 14 vuorokauden ennustuksissa, sekä parametreja voidaan tuottaa laitteelle tarpeeksi ajoissa tulevaisuuden ennustuksia varten.

Tämän diplomityön tavoitteena oli selvittää mahdollisuuksia kohdeyrityksen toimitusprojektien työkuormaennusteen parantamiseen. Tähän tarkoitukseen oli käytettävissä myyntivaiheessa kirjattuja tietoja asiakkaille tehdyistä tarjouksista. Tavoitteena oli selvittää, mitkä tarjouksista kirjatuista tiedoista ovat oleellisia työkuormaennusteen kannalta. Lisäksi pohdittiin, miten myyntivaiheen tietoja voisi jatkossa kehittää, jotta ennustettavuus paranisi. Työssä käytiin ensin läpi ennusteiden yleisiä ominaisuuksia ja luotiin yleiskatsaus erityyppisiin ennustemalleihin. Tarkemmin perehdyttiin lineaarisen regressiomallin teoriaan. Erityisesti tarkastelussa olivat monimuuttujamallit ja mallien kerrointen estimoinnissa yleisesti käytetty pienimmän neliösumman menetelmä. Lisäksi työssä havainnollistettiin indikaattorimuuttujien käyttöä regressiomallissa ja käytiin läpi erilaisia mallien toimivuutta kuvaavia parametreja, joita voidaan käyttää regressiomallien keskinäiseen vertailuun parhaan mallin valitsemiseksi. Lähtötietoja kootessa havaittiin, että myyntivaiheen tarjoustiedoissa on erilainen rajaus kuin toteutuneen työkuorman raportoinnissa, joten toteutuneiden työtuntien tietoja ei saatu yhdistettyä ennusteen lähtötietoihin. Tästä johtuen työssä keskityttiin kehittämään lineaarisia regressiomalleja tuntimääräisen myynnin ennustamiseen. Kuukausitasolla ennustaminen ei onnistunut, sillä yksittäisten kuukausien myyntimäärissä oli liikaa vaihtelua ja tarjousten myyntipäivien siirtymät vaikeuttivat ennustamista. Sen sijaan kolmen kuukauden ajanjaksoille saatiin aikavälin kokonaismyyntiä kuvaavat regressioennusteet. Regressiomallien lisäksi kehitettiin vertailun vuoksi vastaavat ennustemallit yksittäisten tarjousten tilanmuutoksiin perustuvan tilastotarkastelun avulla. Mallit antoivat samankaltaisia, mutta eivät täysin yhteneviä tuloksia. Lisäksi niissä oli tuloksiin nähden huomattavan erilaiset kertoimet. Todettiin, että mallien jatkokehityksen kannalta olisi hyödyllistä tutkia mistä mallien erot johtuvat ja miettiä vaihtoehtoisia tapoja regressiomallien muodostamiseen, jotta ne eivät olisi ristiriidassa tilastotarkastelun kanssa. Muodostettujen ennustemallien pohjalta suunniteltiin alustava työkuormaestimaatti, josta tuli melko suurpiirteinen ja pitkälti oletuksiin perustuva, koska vertailukelpoista toteumaa ei ollut käytettävissä. Alustavasta estimaatista todettiin kuitenkin olevan hyötyä työkuormaennusteen jatkokehityksessä, varsinkin jos lähtötietoja lähdetään kehittämään paremmin työkuorman estimointia tukeviksi. Myös malleja voidaan kehittää paremmiksi, jos saadaan lisää vertailukelpoisia lähtötietoja ja päästään tutkimaan tarkemmin eri muuttujien vaikutusta yksittäisten tarjousten tasolla. The aim of this thesis was to improve workload forecasting for delivery projects of the target company. The company was especially interested in improving the long term forecast. For this purpose, the sales phase information was analysed. The aim was to identify relevant information concerning the workload forecast. Further development of the sales phase information was also considered in order to improve predictability of workload forecast. This thesis includes a short description of general characteristics of forecasting and an overview of different types of forecasting methods. The mathematical theory of linear regression model was illustrated in more detail, including the study of multivariate models and the least-squares method which is a commonly used technique for estimating model coefficients. The use of indicator variables in the regression model was introduced, as well as various parameters used for describing the performance of the model. These parameters can be used for comparing different regression models in order to select the model with greater prediction ability. While collecting data, it became apparent that sales phase data and workload reports were incompatible. Thus, it was not possible to create workload forecast model based on the sales phase data. Instead, the data was used for creating sales forecast models which predict the amount of hours to be sold. The attempt of creating forecast models at monthly level was unsuccessful, as there were too many fluctuations in sales volumes for individual months. Also the frequent changes in booking days of sales offers made monthly forecasting difficult. However, regression models were successfully created for total sales of three-month periods. In addition to the regression models, similar forecasting models were developed by means of a statistical analysis based on the changes in the state of individual offers. The models gave similar, but not identical, results as linear regression models regardless of the coefficients being significantly different from the ones of regression models. Further statistical study of individual offers will be required in order to create better understanding of the results of different models. It would also be useful to consider alternative ways of forming regression models to predict contradiction with statistical approach. Finally, a preliminary workload estimate was designed based on the three-month period forecast models. Since comparable workload data was not available, the estimate was mostly based on assumptions. However, this preliminary estimate was thought to be useful for the further development of the workload forecast, especially if the company decides to develop sales phase data in order to support more accurate workload forecasting. The models can also be improved if more comparable workload data can be obtained. The impact of different variables can also be studied more closely in respect of individual offers.

Työssä rakennetaan syväoppimissäädin vaihtoehdoksi PID-säätimelle harmonisen värähtelijän ohjaukseen. Tutkimuksen innoittaja on Kangbeom Cheonin ja Jaehoon Kimin artikkeli, jossa toteutettiin vastaava tutkimus tasavirtamoottorin ohjaukseen. Tutkimustavoitteena on päästä mahdollisimman lähelle PID-säätimen suorituskykyä. Vastaavanlaisia syväoppimissäätimiä on esiintynyt kirjallisuudessa muutamia. Syväoppimisen algoritmeilla on muista menetelmistä poikkeava ja omaleimainen tapa löytää luokittelu-, tunnistus- ja ryhmittely ongelmiin ratkaisuja autonomisesti. Tieteenalana syväoppiminen on vielä tuore ja siksi mahdollisuuksia on paljon. Puolestaan PID-säätimen yksinkertainen kolmiosainen rakenne ja tehokas toiminta tekee siitä teollisuudessa luultavasti eniten käytetyn järjestelmien säätimen. Tutkimuksessa testattiin ensin PID-säätimen suorituskyky harmonisen värähtelijän säätöongelmassa ja sen toiminta taltioitiin syväoppimissäätimen opetusdataksi. Syväoppimissäätimiä rakennettiin kolme, joiden arkkitehtuureina käytettiin MLP-, RNN- ja LSTM-neuroverkkoja. Syväoppimissäätimien neuroverkot esiopetettiin tallennetulla opetusdatalla ja niiden toiminta tarkastettiin oskillaattorin ohjauksessa. Tämän jälkeen säätimet hienosäädettiin dynaamisesti ohjausprosessin ohessa PID-säätimen avulla. Ohjaustuloksissa syväoppimissäätimet olivat kehityskelpoisia, mutta eivät ratkaisseet säätöongelmaa odotetusti, tai yltäneet lähelle PID-säätimen suorituskykyä. PID-säätimen ohjaama harmoninen värähtelijä ohjautui aina tavoitearvoon y_r, kun taas kohtuullisen suurella virhemarginaalilla MLP-arkkitehtuuria käyttävä syväoppimissäädin onnistui ohjauksessa 60 %, RNN-arkkitehtuurin säädin 34 % ja LSTM-säädin 20 % todennäköisyydellä. Keskimääräinen poikkeama tavoitearvosta (kymmenen ollessa maksimi) oli MLP-säätimelle 0,37, RNN-säätimelle 0,82 ja LSTM-säätimelle 0,92. Syväoppimissäätimien tuottama ohjaussignaali mukaili PID-säätimen ohjaussignaalin suoraviivaisuutta ja syväoppimissäätimien nopeissa asettumisajoissa piilee potentiaalia jatkotutkimukselle. Jatkotutkimuksessa voitaisiin kokeilla erilaisia neuroverkkoarkkitehtuureja, kuten CNN- tai DBN-verkkoja. Myös kahden eri arkkitehtuurin yhdistäminen hybridiverkoksi on tutkimisen arvoinen. PID-säädintä on myös mahdollista hyödyntää neuroverkkojen opetuksessa ja verkon optimaalisten parametrien löytämisessä. Syväoppimissäätimelle seuraavia mielenkiintoisia tutkimuskohteita voisi olla robottien ohjaus ja ryhmäkäyttäytyminen.

Tässä väitöskirjassa tarkastellaan robustia ja mallia ennakoivaa säätöä reunasäätöjärjestelmien kannalta. Robustin säädön osalta tunnettuja tuloksia, erityisesti sisäisen mallin periaate, yleistetään tälle systeemiluokalle. Approksimatiivisen robustin reguloinnin käsite esitellään reunasäätöjärjestelmien viitekehyksessä, koska sisäisen mallin periaatteen nojalla tarkasti reguloivan robustin säätäjän konstruointi ei käytännössä ole mahdollista, jos säädettävän systeemin ulostulo on ääretönulotteinen. Lisäksi esitellään käytännöllinen säätäjärakenne, jota käyttämällä robusti regulointi voidaan saavuttaa tässä approksimatiivisessa mielessä. Mallia ennakoivaa säätöä (MPC) tarkastellaan ääretönulotteisten systeemien luokalle, joka kattaa osan reunasäätöjärjestelmistä. Jatkuva-aikaista järjestelmää approksimoidaan diskreettiaikaisella käyttäen Cayley-Tustin muunnosta, ja MPC-ongelma muodostetaan diskreettiaikaiselle systeemille. Diskreettiaikaiselle MPC-ongelmalle todistetaan optimaalinen ja stabiloiva ratkeavuus, mikä yleistää vastaavan äärellisulotteisen MPC-tuloksen tarkasteltujen ääretönulotteisten systeemien luokalle. In this thesis, robust and model predictive control are considered for boundary control systems. In terms of robust control, the existing results, especially the internal model principle, are generalized to cover this class of systems. The concept of approximate robust regulation for boundary control systems is presented, as, due to the internal model principle, in practice it is not possible to construct an exact robust regulating controller if the output space of the controlled system is infinite-dimensional. A practical controller design is presented to achieve robust regulation in this approximate sense. Model predictive control (MPC) is considered for the class of regular linear systems which includes regular boundary control systems. The continuous-time system is approximated by a discrete-time one by using the Cayley-Tustin transform, and MPC is considered for the discrete-time system. Stability and optimality are proved for the proposed discrete-time MPC designs, which extends the corresponding finitedimensional MPC designs to the class of regular linear systems.

Information and communication technology have become an important part of both entertainment and education as well as working life. For this reason, students in comprehensive schools should practice using different systems and learning to use those systems. In this Master of Science Thesis, a learning object for upper comprehensive school was designed using GeoGebra software. The learning object’s subject is polygons and their geometry because it is an important subsection of geometry and it is a good subject to execute using GeoGebra. GeoGebra is an interactive mathematics software intended for learning and teaching mathematics and it includes tools for various fields of mathematics. The learning object was produced in a design-based research. A design-based research consists of multiple cycles in which the design solution is improved. Usually one cycle consists of following phases: problem analysis, design procedure, design solution and testing. The geometry behind the exercises and different points of view of designing them are introduced in problem analysis. The most important points of view are perceiving geometry, motivating students, teaching metacognitive skills, progressive inquiry, collaborative learning and obeying national core curriculum. There is a pervasive learning entity which emphasizes the importance of skills of using information and communication technology in national core curriculum for comprehensive school. The technological and pedagogical decisions made while designing the learning object are described after the problem analysis. Once the learning object was completed it was tested in one 7th grade group and one 8th grade group in a comprehensive school (Ylöjärven Yhtenäiskoulu). The students used 12 lessons to complete the exercises in the learning object. They also answered questionnaires about the usability of the exercises. The learning object was further improved based on these answers, observations during the lessons and students’ output on the exercises. These improvements were for example specifying the instructions and fixing errors. Finally, the learning object was finalized and published on GeoGebra website on address https://ggbm.at/jephwdbr. Additionally, the learning object and instructions for its use were published in MAOL’s (Union of Finnish Mathematics Teachers, Matemaattisten Aineiden Opettajien Liitto) website. Tieto- ja viestintäteknologian käyttö on yleistynyt niin viihdekäytössä kuin koulutuksessa ja työmaailmassakin. Tämän vuoksi jo peruskoululaisten tulisi harjoitella erilaisten ohjelmistojen käyttöä ja niiden käytön opettelua. Tässä diplomityössä kehitettiin yläkoulun geometrian opiskeluun oppimisaihio eli tehtäväkokoelma, joka toteutetaan kokonaan GeoGebralla. Oppimisaihion tehtävien aiheena on monikulmioiden geometria, sillä se on tärkeä geometrian osa-alue ja sopii erinomaisesti GeoGebralla toteutettavaksi. GeoGebra on erityisesti opetuskäyttöön suunniteltu dynaamisen matematiikan ohjelmisto, jossa on tarjolla työkaluja monille matematiikan osa-alueille. Oppimisaihion kehittäminen tapahtui kehittämistutkimuksena. Kehittämistutkimus koostuu useista sykleistä, joissa kehittämistuotosta muokataan yhä paremmaksi. Yksi sykli koostuu yleensä seuraavista vaiheista: ongelma-analyysi, kehittämisprosessi, kehittämistuotos ja testaus. Ongelma-analyysissä käydään läpi tehtävien taustalla olevaa geometriaa ja erilaisia näkökulmia tehtävien kehittämiseen. Tärkeimpinä näkökulmina ovat hahmottavan geometrian opiskelu, oppilaiden motivointi, metakognitiivisten taitojen harjoittaminen, tutkiva ja yhteisöllinen oppiminen sekä perusopetuksen opetussuunnitelman noudattaminen. Perusopetuksen opetussuunnitelman yksi laaja-alaisista osaamisen kokonaisuuksista onkin tieto- ja viestintäteknologinen osaaminen. Kehittämisprosessista kerrotaan ne teknologiset ja pedagogiset ratkaisut, joita tehtiin oppimisaihiota toteutettaessa. Oppimisaihion, eli kehittämistutkimuksen kontekstissa kehittämistuotoksen, valmistumisen jälkeen tehtävien toimivuutta testattiin Ylöjärven Yhtenäiskoulun yhdellä 7. luokalla ja yhdellä 8. luokalla. Oppilaat tekivät 12 oppitunnin aikana oppimisaihion tehtäviä ja täyttivät tehtävien käytettävyyteen liittyviä kyselyitä. Oppilaiden kyselyihin antamien vastausten, tunneilla tehtyjen havaintojen sekä oppilaiden tuottamien GeoGebra-tehtävien vastausten perusteella tehtäviä korjattiin muun muassa tarkentamalla tehtävänantoja ja korjaamalla virheitä. Lopulta oppimisaihio viimeisteltiin ja se julkaistiin GeoGebran sivuilla osoitteessa https://ggbm.at/jephwdbr. Lisäksi Matemaattisten Aineiden Opettajien Liiton MAOL:n verkkosivuilla julkaistiin ohje oppimisaihion käyttämisestä.

This thesis describes a solution to a cryptographic programming challenge originally posted by Nintendo in order to gain job applicants. The encryption method turned out to be the same as binary polynomial multiplication which means decryption can be done with binary polynomial factorization. While providing shallow exploration of other options, the main approach in this thesis was to first compute square-free factorization of a polynomial using David Yun's algorithm from 1974 and then to apply slower Elwyn Berlekamp's algorithm on those square-free factors to compute a proper irreducible factorization of the polynomial. In addition to just explaining and implementing algorithms, the details of how to make these computations fast on a computer system have been explained in detail. The binary polynomial factorization translates really efficiently to a computer algorithm where one bit represents one coefficient. Using this fact allowed author of this thesis to efficiently implement the algorithms to solved the challenge as the 273rd person since the it was posted on-line. Tässä työssä kuvataan ratkaisu erääseen kryptografiseen ongelmaan, jonka peliyhtiö Nintendo julkaisi tavoitteenaan tarjota työmahdollisuus ongelman ratkaisseille. Lähemmässä tarkastelussa selvisi, että heidän salausalgoritminsa keskiössä oli binääripolynomien kertolasku ja siten purkualgoritmi sekä ongelman ratkaisu vaativat binääripolynomien tekijöihin jakoa. Itse ratkaisu koostuu kahdesta vaiheesta. Ensin binääripolynomi jaetaan neliöttömiin tekijöihin käyttäen David Yunin algoritmia vuodelta 1974. Tämän jälkeen neliöttömät tekijät jaetaan alkupolynomeihin käyttäen hieman hitaampaa Elwyn Berlekampin algoritmia. Molemmat algoritmit toteutetaan C++ kielellä modernilla tietokoneella ja tuon toteutuksen tehokkuuteen kiinnitettään työssä erityistä huomiota. Näiden kahden algoritmin kuvaamisen lisäksi työssä esitellään pintapuolisesti muita tapoja jakaa polynomi tekijöihin äärellisen kentän yli tarkoituksena antaa kuva siitä, kuinka alan tutkimus on kehittynyt. Binääripolynomit on hyvin tehokasta esittää tietokoneella niin, että yksi bitti vastaa yhtä kerrointa. Tätä hyväksikäyttäen työssä saatiin aikaiseksi tehokas toteutus, jolla päästiin 273ksi tehtävän suorittaneeksi.

A mixed lattice group is a generalization of a lattice ordered group. The theory of mixed lattice semigroups dates back to the 1970s, but the corresponding theory for groups has been relatively unexplored. In this thesis we investigate the basic structure of mixed lattice groups, and study how some of the fundamental concepts in Riesz spaces and lattice ordered groups, such as the absolute value and other related ideas, can be extended to mixed lattice groups. We give a fundamental classification of mixed lattice groups based on their order properties. We define the generalized absolute values and derive various related identities and inequalities. We then introduce the concept of an ideal in a mixed lattice group and prove some basic results related to them. Using these ideas, we begin a study of homomorphisms in mixed lattice groups and their elementary properties. In this connection, we also investigate the quotient group construction, and show that under certain conditions, the quotient group will also be a mixed lattice group. Finally, we briefly consider topologies in mixed lattice groups and give a few sufficient conditions for a group topology to be compatible with the mixed lattice structure.

Currently, mobile devices are aware of user position, which can be provided to mobile apps for the development of tailored services known as Location-Based Services. Further advances on current Location-based Services (LBS), i.e. using any other information from the user such as gender, music preferences etc, may lead to transition from a Location-Based environment to a fully developed ContextAware environment.The current trend towards Context-aware Services (CAS) is reflected in academic research since more than twenty years as well as in the progress in Software Development Kits (SDKs) of the main mobile operating systems, where CAS frameworks are currently being used. However, there is no community agreement for modelling context CAS and little is known about the architecture of these context management frameworks of the mobile operating systems.Based on previous research in the area of CAS, I establish and analyse a reasoning architecture, the Context Engine (CE), that enables the main steps of designing and implementing context-aware services. The chief utility of CAS is their ability to formulate and encapsulate information, obtain user context through context acquisition tools and distribute it to third-party applications that build personalised services based on the provided information. The CE has the responsibility of selecting the optimal context acquisition tool to solve a concrete problem which is discussed in this dissertation.Furthermore, this thesis contributes to the development of context inference tools by studying two particular cases. The first case aims at inferring user (semantic) location information based on mobile phone usage data. This first case has been carried out in collaboration with Microsoft Finland, which provides a similar context inference solution to mobile developers through their Software Development Kit (SDK). The second case aims at inferring user information based on social network information, i.e. infer user information based on his or her connections. Both studies yield positive results and have the potential to be extended to obtain better context acquisition tools and, therefore, better user context.

Tässä tutkimuksessa on tavoitteena luoda sähköinen opetusmoduuli itsenäisen opiskelun tarpeisiin käyttäen MathCheck -ohjelmistoa apuna harjoittelussa. Tutkimusta tarkastellaan kehittämistutkimuksena, ja tämä tutkimus käsittää yhden syklin. Opetusmoduulin aiheena on propositiologiikka ja moduuli koostui teoria- ja harjoitustehtäväosioista. Harjoitustehtävien tarkastamisessa käytettiin MathCheck-ohjelmistoa. Tutkimus toteutettiin Tampereen teknillisessä yliopistossa keväällä 2017 osana Algoritmimatematiikan kurssia. Moduulin tekeminen oli opiskelijoille vapaaehtoista, mutta heitä motivoitiin kertomalla, että aiheesta tulee tenttiin kysymys. Opetuskokeilun jälkeen tehtiin kysely opetusmoduulin tehneille opiskelijoille. Kyselyssä haluttiin selvittää, miten opiskelijat kokivat tehtävien ratkaisemisen ja miten mainitut tehtävät tukivat omaa oppimisprosessia. Lisäksi kysyttiin käyttäjäkokemuksia opetusmoduulista ja itsenäisestä opiskelusta sähköisessä oppimisympäristössä. Kyselyyn vastanneet opiskelijat (N=21) kokivat opetusmoduulin tehtävät vaikeustasoltaan sopiviksi ja sisältöjen oppimista tukeviksi. Suurin osa kyselyyn vastanneista opiskelijoista koki opetusmoduulin käytön positiivisena kokemuksena. Osa opiskelijoista esitti perusteltuja parannuksia alustaan, kuten ulkonäköön ja käyttöliittymään. Kyselyyn vastanneista opiskelijoista osallistui tenttiin 20 opiskelijaa. He menestyivät tilastollisesti merkitsevästi paremmin tentissä (p=0,004, yhden otoksen t-testi ja keskiarvo 17,5 pistettä) kuin kaikki tenttiin osallistuneet (N=134, keskiarvo 12,9 pistettä). Tosin tässä yhteydessä ei voi päätellä mikä osuus opetusmoduulin käytöllä on tenttimenestyksessä ja mikä esimerkiksi yleisesti motivaatiolla.

Tässä diplomityössä tutkitaan lineaarisen kokonaislukuoptimoinnin käyttöä aikataulutusongelmien ratkaisemisessa. Tavoitteena on vertailla erilaisia ratkaisumetodeja keskenään. Ongelmat ratkaistaan käyttämällä numeerisia kokonaislukuratkaisijoita, kuten Matlabin intlinprog. Lineaarisen optimoinnin perusteiden lisäksi teoriaosiossa tehdään kirjallisuuskatsaus numeeristen ratkaisijoiden matemaattisen pohjaan. Lineaarista kokonaislukuoptimointia käytetään sellaisten optimointiongelmien ratkaisemiseen, joissa muuttujien arvot ovat diskreettejä tai kokonaislukuja. Muuttujia, joiden arvot on rajoitettu kokonaislukuihin antavat vastauksen esimerkiksi kysymyksiin siitä, kuinka monta kappaletta tilataan tuotetta x, kuinka monta työntekijää kohdennetaan projektin osa-alueeseen x, ja niin edelleen. Erityistapauksena lineaarisesta kokonaislukuoptimoinnista on lineaarinen binäärilukuoptimointi (BIP). Optimointiongelmassa, joka on tyypistään BIP, muuttujat saavat vain arvoja 0 tai 1. Nämä arvot kuvaavat kyllä-ei luonteisia päätöksiä, kuten ostetaanko, palkataanko tai sijoitetaanko. Binäärilukuoptimointi on tämän diplomityön kannalta oleellinen, sillä työssä esiintyvät ongelmat formuloidaan ja ratkaistaan BIP-ongelmina. Aikataulutusongelmien ratkaiseminen käyttäen lineaarista kokonaislukuoptimointia edellyttää, että voimme formuloida nämä ongelmat kokonaislukuoptimointi ongelmiksi ja ratkaista ne kohtuullisessa ajassa. Keskitymme kahteen eri aikataulutusongelmaan. Ensimmäinen ongelma on luoda optimaalisia työvuorolistoja yhtiön työntekijöille ja toinen ongelma on luoda optimaalisia lukujärjestyksiä yliopiston opiskelijoille. Nämä ongelmat voidaan formuloida IP-ongelmiksi ja simulaatiosta saatujen tulosten perusteella huomataan, että instanssit saadaan ratkaistua nopeasti tai kohtuullisessa ajassa. Eri ratkaisijoiden välillä löydetään myös eroja niiden kyvyssä ja tehokkuudessa ratkaista testattuja instansseja.

Siirryttäessä koulumatematiikasta korkeakouluissa käytävään matematiikkaan, ovat lähtötasot matematiikan opiskeluun erilaisia ja opiskelijat tarvitsevat eri määrän ja erilaista tukea matematiikan opinnoissa. Korkeakoulujen tulisi panostaa matematiikan opetuksen monipuolistamiseen ja tukemiseen, jotta opiskelijoille voitaisiin tarjota tasokasta matematiikan opetusta. Suomessa ollaankin panostettu matematiikan opetuksen kehittämiseen sähköisten oppimisympäristöjen avulla. Hyvin järjestetyn tukitoiminnan avulla voidaan opiskelijoiden mielenkiintoa matematiikkaa kohtaan kasvattaa ja parantaa opiskelijoiden suoriutumista matematiikan opinnoissa. Tampereen teknillisessä yliopistossa on opiskelijoita varten kehitetty paljon tukitoimia matematiikan opiskelun tueksi. Tässä työssä tutkitaankin tukitoimintakokeilua, Laskutupaa, jonka tarkoituksena on tarjota opiskelijoille apua ja neuvoja matematiikan opinnoissa. Laskutupa on tila, minne opiskelijat saavat vapaasti tulla laskemaan ja opiskelemaan matematiikka paikan päällä olevan ohjaajan avustuksella. Tämän tutkimuksen kohdejoukkona olivat Laskutuvassa käyvät opiskelijat eli ensimmäisen vuosikurssin matematiikan kursseja käyvät opiskelijat. Tutkimuksessa pyrittiin selvittämään auttavatko Laskutupa ja vertaisoppiminen kasvattamaan opiskelijoiden matemaattista osaamista, minkälaiset opiskelijat hyötyvät vertaisoppimisesta ja kuinka sähköisiä viestintäjärjestelmiä voidaan hyödyntää vertaisoppimisessa. Kyselyn tulosten perusteella Laskutupa auttoi opiskelijoita matematiikan opinnoissa ja heidän matemaattinen osaaminen kehittyi. Vertaisoppiminen koettiin tehokkaaksi tavaksi oppia ja ymmärtää matematiikkaa ja vertaisoppiminen oli tehokas oppimiskeino riippumatta oppimistyylistä. Sähköisillä viestintäjärjestelmillä voidaan tukea vertaisoppimista, mutta se vaatii aktiivisuutta itse opiskelijoilta.

Understanding the structure and dynamics of trees and forest is key in studying the environment and understanding current and future climates. Development has been fast in measurement technology for these purposes, as it is currently possible to measure forest terrestrially with photography-based instruments or either static or mobile laser scanning, and airborne using drones, helicopters or aeroplanes, and even from space using satellitemounted instruments. However, as all these measurements are indirect presentations of the key attributes to study, they require powerful analysis methods to accompany them. This thesis focuses on terrestrial laser scanning data and presents a method for reconstructing comprehensive, quantitative structure models of trees from such data. The method is designed to be a tool for understanding tree and forest structure, as well as, dynamics and functionality, without the need for destructive measurements. The reconstructed models provide access to tree attributes previously impossible or laborious to measure, either at a single tree-scale, at forest-plot-scale or even at forest-scale. The thesis will present the reconstruction method and will focus on two of its applications: automatic tree species recognition and augmenting the produced structure models with leaves or needles, enabling more accurate simulations involving light propagation and plant interaction with the atmosphere. Additionally, parts of the thesis describe forms of dissemination used to promote the reconstruction method and its applications, increasing the rate of adoption into operational use. The dissemination approaches include several animations, interactive 3D models and open-source software.

Hyperbolinen konforminen yksikköpallo on pallo, jonka säde on yksi ja pallon sisäpisteiden väliset etäisyydet on määritelty riippuvaksi niiden euklidisesta etäisyydestä pallon keskipisteeseen. Tämä avaruus voidaan onnistuneesti yleistää superavaruuksiin – eli Grassmann algebroihin pohjautuviin vektoriavaruuksiin. Tämän diplomityön tavoitteena on hyperbolisen konformisen yksikkösäteisen pallon geometristen ominaisuuksien tutkiminen ja kyseiseen avaruuteen määriteltyjen tietynlaisten harmonisten superfunktioiden tarkastelu. Riemannin geometriaa soveltamalla saadaan selville, että hyperbolinen konforminen yksikköpallo on konformisesti laakea. Superanalyysin näkökulmasta saadaan johdettua esitykset Diracin ja Laplacen operaattoreille Clifford-Weylin algebrassa, joka on superavaruuden esitys geometrisena algebrana. Lopuksi johdetaan esitys Laplacen operaattorille hyperboliseen konformiseen yksikköpalloon ja sopivasti valitun yritteen kautta saadaan Laplacen yhtälöä vastaava differentiaaliyhtälöryhmä, jolla ei ole vastinetta vastaavassa reaalianalyysin ongelmassa. Tälle differentiaaliyhtälöryhmälle löydetään ratkaisuita tapauksissa, joissa yhtälöitä on yksi ja kaksi.

This thesis collects together research results obtained during my doctoral studies related to approximate Bayesian inference in stochastic state-space models. The published research spans a variety of topics including 1) application of Gaussian filtering in satellite orbit prediction, 2) outlier robust linear regression using variational Bayes (VB) approximation, 3) filtering and smoothing in continuous-discrete Gaussian models using VB approximation and 4) parameter estimation using twisted particle filters. The main goal of the introductory part of the thesis is to connect the results to the general framework of estimation of state and model parameters and present them in a unified manner.Bayesian inference for non-linear state space models generally requires use of approximations, since the exact posterior distribution is readily available only for a few special cases. The approximation methods can be roughly classified into to groups: deterministic methods, where the intractable posterior distribution is approximated from a family of more tractable distributions (e.g. Gaussian and VB approximations), and stochastic sampling based methods (e.g. particle filters). Gaussian approximation refers to directly approximating the posterior with a Gaussian distribution, and can be readily applied for models with Gaussian process and measurement noise. Well known examples are the extended Kalman filter and sigma-point based unscented Kalman filter. The VB method is based on minimizing the Kullback-Leibler divergence of the true posterior with respect to the approximate distribution, chosen from a family of more tractable simpler distributions.The first main contribution of the thesis is the development of a VB approximation for linear regression problems with outlier robust measurement distributions. A broad family of outlier robust distributions can be presented as an infinite mixture of Gaussians, called Gaussian scale mixture models, and include e.g. the t-distribution, the Laplace distribution and the contaminated normal distribution. The VB approximation for the regression problem can be readily extended to the estimation of state space models and is presented in the introductory part.VB approximations can be also used for approximate inference in continuous-discrete Gaussian models, where the dynamics are modeled with stochastic differential equations and measurements are obtained at discrete time instants. The second main contribution is the presentation of a VB approximation for these models and the explanation of how the resulting algorithm connects to the Gaussian filtering and smoothing framework.The third contribution of the thesis is the development of parameter estimation using particle Markov Chain Monte Carlo (PMCMC) method and twisted particle filters. Twisted particle filters are obtained from standard particle filters by applying a special weighting to the sampling law of the filter. The weighting is chosen to minimize the variance of the marginal likelihood estimate, and the resulting particle filter is more efficient than conventional PMCMC algorithms. The exact optimal weighting is generally not available, but can be approximated using the Gaussian filtering and smoothing framework.

The performance of machine learning methods depends on the data they are given. Real life data sets can be incomplete and consist of various types of data. However, many methods are capable of handling only nominal and numerical features without any missing data, which causes loss of potentially useful information. Thus this thesis had two research questions: can the information from hierarchical and interval values be utilized, and can the treating of missing values be integrated into a model handling untraditional data types. In this work we developed a decision tree algorithm (DTHF) that uses hierarchical data to construct a model. The method requires that all data is preprocessed to a hierarchical form. In addition to nominal and numerical features, the method is capable of handling missing data, interval and hierarchical features, and several values for a single feature. DTHF was tested using twelve data sets and the results were compared with results from CART and C4.5 decision tree algorithms. Tests were conducted using data sets without missing values as well as with sets with various rates of missing data. If data are not missing, there is no significant difference between DTHF, CART, and C4.5. However, if data are missing CART performs remarkably better than C4.5 and DTHF, which have similar performance. More tests are needed to give a sufficient understanding of the method's performance. Especially, there is a need for tests utilizing the DTHF's capabilities. Further research topics are expanding the method into a random forest and studying how the transforming of data to a hierarchical form should be done. Other topics could be adding pruning and studying how the data set aspects the performance when data are missing.

In this Master’s thesis the author’s aim is to give model building tools for the temporal paraconsistent logic program called Before-After Extended Vector Annotated Logic Program with Strong Negation (bf-EVALPSN), originally created by Professor Kazumi Nakamatsu of the Prefectural University of Hyogo, Japan. The tools bridge the paraconsistent logic program language with finite state automata.

The aim of this thesis is to develop a realistic deep interior model for a rubble-pile asteroid and conduct full-wave computed radar tomography on the developed model. The surface model of the asteroid Itokawa is used to develop a finite element mesh including a surface layer of loose soil and regolith coupled with a Gaussian random field which models the realistic interior of a small solar system body. Further structural details such as a void, very loose material space, various cracks and a boulder are added to the realistic interior to investigate the detection power of a bistatic computed radar tomography system. The results show that a bistatic radar system detects deep interior voids, cracks and boulders in a realistic asteroid. The simulation results and reconstructions show similar radargram profiles as actual radar measurements. The shape and size of voids, loose material, boulders and shallow cracks can be discerned. The deep crack is detectable, but lacks detail. Based on the results of this work, radar tomography is a very promising technique to explore the deep interior of small solar system bodies.

Sähköiset tentit ovat yleistyneet huomattavasti ja samalla näille on luotu monia eri tenttijärjestelmiä. Myös automaattisen tarkastamisen kehittäminen on hiljalleen kasvattanut suosiotaan. Suuri osa tästä kehityksestä on painottunut esseiden tarkastamiseen. Samaa kehitystä voitaneen myös soveltaa muissa tenttityypeissä. Tässä työssä tarkastellaan eri tenttityyppejä ja miten niitä on sähköistetty, eli vaihdettu paperi vastausalustana tietokoneeseen. Esseiden kirjoittamiseen tietokonetta on jo käytetty pitkään, mutta tenttien tekemiseen sitä on alettu vasta viimeaikoina hyödyntämään suuremmalla mittakaavalla. Matematiikan tenttien sähköistämisessä suurin ongelma on matematiikan kaavojen ja merkkien kirjoittaminen tietokoneella, mutta tämä ei ole ylitsepääsemätön este. Tietokoneiden hyödyntäminen vain tentteihin vastaamiseen jättää paljon tietokoneen potentiaalista käyttämättä; tietokoneilla voidaan myös tarkastaa tentit automaattisesti. Näin opettajien työtaakka pienenee huomattavasti, ja opiskelijoiden mahdollisuudet itsenäiseen oppimiseen kasvaa. Jo yksinkertainenkin ohjelma, joka helpottaa tenttijärjestelmistä saatavaa vastausaineiston hallintaa ja tarkastamista, johtaa tähän tavoitteeseen. Tässä työssä esitellään tähän tehtävään tehty ohjelma, jolle on annettu nimeksi PunaKynä.

In this study, we consider methods of spectral analysis and deep learning to improve accuracy and quality of GNSS satellite orbit predictions. The quality of predictions decreases when satellite’s orbit is fixed with maneuvers, which causes satellite orbit predictions to fail. In our previous research orbit accuracy has been improved using analytical and data-driven models. The goal of this study is to improve quality of BeiDou satellite predictions with spectral analysis and to improve accuracy of GNSS satellite orbit predictions with deep learning. Both methods are used to improve the existing model for satellite orbit predictions. The improvement in quality is done by predicting unhealthy time periods of BeiDou’s GEO and IGSO satellites. Periodogram was used to estimate a period of health parameter from broadcast. The improvement in accuracy was done with convolutional neural networks. The convolutional neural network was used to predict RTN errors of existing models orbit predictions. The errors were predited from RTN errors from the beginning of the orbit prediction. With these error predictions the predicted orbit can be corrected. The main results of this study were that unhealthy periods can be predicted from the broadcast data and even a simple convolutional neural network can improve orbit prediction accuracy significantly. Health prediction algorithm could be created from the estimated periods to predict health successfully. Health prediction worked with BeiDou’s GEO and IGSO satellites and predicted over 70% of unhealthy periods in testing. Two different methods for error correction with convolutional neural networks were created and tested with GPS satellites. The better method was also tested with BeiDou satellites of all orbit types. The method improves two week orbit prediction accuracy over 40% on average for all GPS and BeiDou satellites. The best improvements in accuracy were achieved with GEO and IGSO satellites.

Matematiikka on tärkeä osa diplomi-insinöörin osaamista ja sen opetuksen kehittämiseen halutaan Tampereen teknillisessä yliopistossa panostaa. Opetuksen kehittämiseksi on kartoitettu opiskelijoiden opiskeluprofiileja ja etsitty keinoja opetuksen kehittämiseen sekä opiskelun tukemiseen. Tässä työssä selvitetään, voidaanko opiskelijoiden motivaatioon ja asenteisiin matematiikkaa kohtaan vaikuttaa substanssiosaamisen integroinnilla matematiikan harjoitustehtäviin. Tutkimuksessa tarkastellaan interventio- ja verrokkiryhmien kyselykohtaisia eroja, ryhmien sisäisiä muutoksia kyselyiden välillä ja näiden muutosten eroa ryhmien välillä. Lisäksi tutkitaan integroinnin vaikutusta osaamistasoon. Työn alussa tarkastellaan tutkimuksen lähtökohtia sekä asenteen ja motivaation merkitystä matematiikan oppimisessa. Lisäksi esitellään tutkimuksen matemaattista taustaa opintojakson harjoitustehtävien ja analysoinnissa käytettyjen tilastollisten menetelmien näkökulmasta. Aineisto kerättiin syksyn 2016 Insinöörimatematiikka A2 -opintojakson vapaaehtoisilta opiskelijoilta, jotka oli jaettu interventio- ja verrokkiryhmiin harjoitusryhmien perusteella. Aineisto muodostui kolmesta sähköisestä kyselystä opintojakson aikana, opintojakson ensimmäisen tentin pistemääristä ja opiskelijoiden opintosuuntatiedoista. Tulosten perusteella voidaan päätellä, että substanssiosaamista integroivilla tehtävillä voidaan vaikuttaa opiskelijoiden asenteisiin ja motivaatioon jo lyhyellä aikavälillä. Integrointi muun muassa vähensi matematiikan irrallisuuden tunnetta oman alan opinnoista. Tulosten perusteella opetuksen kehittämiseen alakohtaisten sovellusten suuntaan kannattaa panostaa ja tutkia aihetta lisää.

Matematiikan opetuksen sähköistyminen on ajankohtainen aihe ja sen digitalisaatio alkaa jo lähtien peruskoulun alusta jatkuen sähköisiin ylioppilaskirjoituksiin. Myös korkeakoulumaailmassa pyritään matemaattista osaamista testaamaan sähköisiä järjestelmiä käyttäen. Tampereen teknillisellä yliopistolla tällaisia järjestelmiä ovat muun muassa verkko-oppimisympäristö Moodle, sähköinen tenttipalvelu EXAM, laskentaohjelmisto MATLAB ja automaattisesti tarkastettavat STACKtehtävät. Järjestelmiä käyttäen päästään hyödyntämään tietokoneavusteista arviointia ja tarkastamista. Sähköisessä tentissä pystytään tehtävissä hyödyntämään suurempia datoja ja laskemaan asioita, kuten otoskeskiarvoja tietokoneella, mikä vastaa työelämän toimintaa. Sähköinen tentti tarjoaa myös joustavuutta ja osaamisen voi näyttää milloin itselle sopii parhaiten. Sähköistä ympäristöä hyödyntäen voidaan yhtälailla testata matemaattista osaamista, vaikka työvälineet ja menettelytavat muuttuvat. Syyslukukaudella 2016 osana Tampereen teknillisen yliopiston matematiikan perusopintojaksoja oli pakollinen ja lähes itsenäisesti pyörivä MATLABin alkeiden verkkototeutus. Tämän avulla tavoitellaan MATLABin perustoimintojen opettamista sekä työkaluksi opintoihin että vastausvälineeksi sähköiseen tenttijärjestelmään EXAMiin. MATLABin alkeiden sähköinen tentti, työssä kehitetyn interaktiivinen GeoGebra-tehtävän ohella ovat esimerkkejä uusista sähköiseen järjestelmään sopivista tehtävistä ja näitä on syytä kehittää ja luoda uusia. Kevätlukukauden 2017 tilastomatematiikan sähköisen EXAM-tentin tuloksien avulla tutkittiin tehtäväpankkien tasapuolisuutta ja laatua sekä yhdessä MATLABin alkeiden kanssa pohdittiin sähköisen tentin etuja ja haittoja.

Tässä diplomityössä käsitellään paikannusta saapumiskulmamittausten avulla. Työssä esitellään yleisimpiä suodattimia, robusteja suodattimia ulkolaisten tarkasteluun ja niiden algoritmit. Suodatuksen taustateorian lisäksi työssä esitellään erilaisia jakaumia mittausten ja kohinan mallintamista varten. Työ keskittyy kulmamittauksiin ja parhaan mahdollisen suodattimien ja jakaumien yhdistelmän löytämiseen sisätilapaikannuksessa. Suodatusta voidaan parantaa sovelluksilla, jotka huomioivat tilan rajoitteet, mittauksen signaalin voimakkuuden tai tilariippuvan virheen. Suodattimia testataan simuloiduilla ja todellisilla kulmamittauksilla. Tosidata on mitattu TTY:n CivitLab laboratoriossa OptiTrack sovelluksen avulla. Suodattimien paikannustuloksia verrataan keskenään. Suodattimien tilamalleina testataan vakionopeusmallia ja pelkkään paikkavektoriin perustuvaa mallia. Yleinen tapa esittää suuntamittaus on leveys- ja korkeussuunnan kulmamittaukset, joiden kohina on normaalijakautunut. Esitys ei useinkaan vastaa todellisuutta maapallon navoilla, jossa korkeusmittaus on nolla astetta. Monesti realistisempi mittausmalli saadaan, kun kohinaa kuvataan von Mises—Fisher-jakaumalla. Tällöin kulmamittauksiin liittyvä suunta ilmaistaan Eulerin kulmia käyttävällä von Mises—Fisher-jakauman yksikkövektorilla, jonka suunta perustuu mittausten keskiarvoiseen suuntaan. Kulmien kääntämisestä johtuen paras mahdollinen suodattimen ja jakauman yhdistelmä paikan estimointiin on suodatin, joka olettaa von Mises—Fisher-jakautuneen mittauskohinan sisältävän datan. Mittausdatan sisältäessä ulkolaismittauksia von Mises—Fisher-jakautuneen mittauskohinan olettavat robustit suodattimet antavat paremman paikkaestimaatin kuin ei-robustit suodattimet. In this thesis positioning is explored with angle of arrival measurements. Common filters in positioning, robust filters for detecting outliers and their algorithms are introduced. In addition to filtering theory different distributions to model measurements and noise presented. In this thesis, the focus is on angle of arrival measurements and finding the best combination of filter and distribution suitable for indoor positioning. Filtering can be improved with applications which take restrictions of the space, signal strength or space dependent error into account. Filters are tested and compared to each other with simulated and real angle measurements. Real data is measured with OptiTrack application in CivitLab laboratory in Tampere University of Technology. Positioning results filters produce are compared with each other. Filters are tested with different state models, the constant velocity model and model containing position vector. Common way to present directional measurement is to use azimuth and elevation angle measuments with normally distributed noise. This does not always correspond to reality when used to describe measurements in Poles where the elevation measurement is zero degrees. More realistic model is achieved with using von Mises—Fisher distribution to describe the noise. The direction related to angle of arrival measurements can be expressed with the unit vector of von Mises—Fisher distribution using Euler angles. Direction of the vector is based on the mean direction. Due to flipping the angles the best possible combination of filter and distribution to estimate the place is a filter which assumes measurement data containing von Mises—Fisher distributed measurement noise. Robust filters assuming von Mises—Fisher distributed measurement noise is the best choice when measurements contain outliers.

In this study, we consider the problem of predicting the orbit of a GNSS satellite with a force model that can be adjusted based on data. In autonomous prediction, the goal is to use the positioning device in a completely or mostly autonomous mode. For this, the usable time of broadcast ephemeris need to be extended and to this end, predicting the orbit of a satellite is necessary. This is done by creating a force model for the satellite. In our previous research, the force model was based on four largest forces acting on a satellite: the gravitation of the Earth, the Sun and the Moon and solar radiation pressure. The position of the satellite in the future can then be computed by integrating the equation of motion with certain initial conditions. The goal of this study was to improve the existing model by adding forces that can be estimated on the positioning device based on received data. This is done with latent force models, where additional forces have some prior model and need to be more accurately estimated with machine learning techniques. We create a state- space model for the latent forces, which is combined with the state-space model of the analytical motion of the satellite. Received broadcast ephemerides can then be used to estimate these forces in addition to position and velocity of a satellite. This is done as statistical inference with filtering and smoothing methods. The main result of this study was that even a relatively simple model can improve prediction accuracy by a significant amount. After the largest forces have been taken into account, the largest improvement comes from a data-driven approach rather than adding more analytical terms to the force model. We created an adaptive algorithm, where data from a new broadcast can be used to update the estimates for the latent forces, which can then be used to predict the position of the satellite more accurately. Our model worked with all tested constellations: GPS, GLONASS and Beidou. The improvement was biggest with GPS and Beidou MEO satellites, while GLONASS satellites did not show as much improvement.

Avoiding deadlocks and starvation is important for all vehicle systems, as both of them can cause a complete halt in traffic. Traditionally, deadlock and starvation issues are addressed with careful layout and traffic rule design. While this might prevent deadlocks and starvation events from halting the system, it causes severe performance decreasing limitations to possible layout solutions in addition of making system design difficult and expensive. The time window based approached recommended in this thesis, provides an alternative solution for solving deadlock and starvation issues. It works by combining information on used pathways and their usage times in plans. By knowing when previously routed vehicles plan to use each layout element, the route search can produce plans that avoid deadlocks and starvation on any layout without predefined traffic rules. This allows several performance improving layout solutions like bidirectional lanes that a forbidden in traffic rule based systems. This thesis first presents a new and effective time window based route search algorithm and then uses it to develop an effective and robust vehicle control system that can stand the inevitable deviations from planned element usage times. This addresses a major limitation with previous time window based proposals. It then demonstrates the effectiveness of the system against a more traditional traffic rule based system, by using both of them to run a simulated taxi system. Because the time window based solution allows better utilization of the available layout, it provides, depending on the number of vehicles, 10 to 33 % improvement over the traffic rule based approach.

In the context of artificial intelligence, clustering refers to a machine learning method in which a data set is grouped into subsets based on similarities in the features of data samples. Since the concept of clustering is broad and complex, clustering algorithms are often designed for solving specific problems. Especially, for overcoming the challenges proposed by high-dimensional data, specialized techniques are required. The existing algorithms for clustering high-dimensional data are often too dependent on prior information about the data, which is why they are not necessarily suitable for autonomous applications of artificial intelligence. This thesis introduces two new algorithms for clustering high-dimensional shapes: CHUNX and CRUSHES. The clusters of both algorithms are based on a hierarchical tree structure which is formed using matrix diagonalization done in Principal Component Analysis (PCA). Due to its expressiveness, the constructed tree structure can be used efficiently for detecting noise clusters and outliers from the data. In addition, the clustering parameter setup in CHUNX and CRUSHES is more flexible than in other PCA-based clustering algorithms. In the empirical part of this thesis, CHUNX and CRUSHES are compared with k-means, DBSCAN and ORCLUS clustering algorithms. The algorithms are evaluated by their usability in situations where there is no prior information about the structure of data to be clustered. The data used in the empirical algorithm evaluation consists of energy curve shapes from the Finnish electrical grid. According to the algorithm evaluation, CHUNX and CRUSHES produce more detailed results and are more suitable for situations, where there is no prior information about the data, than the other algorithms of the evaluation.

An application of Suggestopedia method in teaching mathematics to 8th graders is presented in this thesis. The experiment was held in Tampereen Normaalikoulu during the springtime between 21.3.-1.4. 2016 for seven lessons. Suggestopedia is a teaching method, which was developed by a Bulgarian psychiatrist George Lozanov in 1970. Suggestopedia is a portmanteau of the words “suggestion” and “pedagogy". In Suggestopedia the physical surroundings and the atmosphere in a classroom are the vital factors to make sure that the students feel comfortable and confident, including art and music. In practice, during the implementation, the suggestopedic lesson was divided into three main parts: the warm up, the active concert and the passive concert. The experiment had the following structure: students were taught during the first three lessons with a normal teaching method and the next four lessons with Suggestopedia. In the end of both teaching methods, tests were given to the students. Furthermore, in the end of the experiment, the students were given a questionnaire, where they were asked their opinion about the method. According to the results from both tests, the student's performance of solving exercises is dropping with the use of Suggestopedia, while the results of the questionnaire are showing that more than half of the students liked the Suggestopedic method. These results are understandable because of the short time of the implementation, which makes the result not statistically significant. Certainly, Suggestopedia is the method that has a lot of potentials. It can be very helpful for students who have difficulties in finding motivation or for hyperactive students. Moreover, Suggestopedia with Suggestological self-development might help with the fight against depression. It is not sure if that method can become a general teaching method in schools, but certainly it can be applied in some schools where the environment is suitable.

The main goal of this work was to develop an algorithm for multi-constellation GNSS receivers that would select satellites out of the tracked ones to be used in the location solution. As the receiver has very limited computational resources, the complexity of the algorithm needed to be kept low. The work began by exploratory analysis of GNSS data. This analysis gave insight into the differences of the various satellite navigation systems as well as into the nature of the pseudorange residuals. These observations helped in shaping the algorithm that we proposed for the problem of satellite selection. The algorithm itself was developed using data science techniques to filter out bad pseudorange measurements and borrowed some earlier ideas to optimize the geometric dilution of precision of the solution set as well. The approach we chose was shown to work very well when applied to real data measured from road tests in varying surroundings. Even with practically non-existent parameter tuning the algorithm was able to spot almost 90% of the bad pseudorange measurements, keeping the specificity, i.e., ability to hold on to the good measurements at over 90% level. The ability to filter out bad pseudorange measurements translated to improved location accuracy as well. All in all, the results achieved in this work proved encouraging enough to begin implementing the algorithm in actual receiver software to study the performance of the data-driven approach in action.

The objective of this master's thesis project is to study forward electroencephalography (EEG) modeling with divergence conforming, finite element sources. EEG is a method for measuring electric potentials on human head, caused by neural activity in the brain. The main goals were to implement previously studied H(div) - source types to a C++ based toolbox DUNE (Distributed and Unified Numerics Environment), and also to numerically analyze the influence of the element patch size on modeling accuracy. Moreover, an adaptive version of the previously studied H(div) approach is evaluated. The numerical analysis was conducted with a spherical mesh. The results of the numerical experiments revealed that the divergence conforming source models produce relatively accurate results near the outer gray matter layer boundary. For deeper sources that are located further away from the gray matter boundary, the reference method St. Venant gave more precise results. Moreover, the modeling accuracy for the H(div) source model improved as the size of the element patch grew. Nevertheless, for sources near the gray matter boundary, there were no significant increases in modeling precision detected after taking more than four elements in source configuration. In addition, the adaptive style did not bring any remarkable advantage to the resulting accuracy.

Perusopetuksen opetussuunnitelman perusteet 2014 otetaan käytäntöön peruskoulun vuosiluokilla 7.-9. vuosina 2017-2019. Opetussuunnitelman perusteissa nousee esiin laaja-alainen osaaminen, yhteistyötaidot, toiminnalliset työtavat sekä työelämän taidot. Opetussuunnitelman käyttöönotto vaatii opettajilta monipuolisten opetusmenetelmien käyttöä. Projektioppiminen opetusmenetelmänä tukee opetussuunnitelman perusteiden 2014 tavoitteita. Diplomityössä on suunniteltu kolme projektia matematiikan opetukseen vuosiluokille 7.-9. Projektit on suunniteltu yhteistyössä Scanclimber Oy:n, Trestima Oy:n ja Reaktorin kanssa. Reaktorin kanssa yhteistyössä suunnitellusta projektista tehtiin kehittämistutkimus. Kehittämistutkimuksen tavoitteena oli jatkokehittää projektia mahdollisimman hyväksi, sekä tutkia oppilaiden motivaation muutosta projektityöskentelyn aikana. Tutkimuksessa tehtiin yksi kehittämissykli, jossa kartoitettiin taustatietoja, suunniteltiin projekti, toteutettiin projekti, analysoitiin projektin testausta ja päivitettiin projektiohjetta tutkimuksessa kerätyn aineiston mukaisesti. Aineistoa kerättiin kyselylomakkeilla, havainnoimalla ja haastatteluilla. Tutkimuksen mukaan projektin aikana ei tapahtunut muutosta oppilaiden motivaatiossa. Kuitenkin tutkimukseen osallistuneiden oppilaiden loogisen ajattelun todettiin parantuneen. Kehittämistutkimuksen avulla löydettiin kehittämiskohteita projektin rakenteeseen, toteutukseen ja ohjeisiin. Projektia kannattaisi tulevaisuudessa kehittää lisää kehittämistutkimuksen keinoin. Kehittämistutkimus voisi sopia myös muiden projektien kehittämiseen

The objective of this thesis is to apply machine learning and data mining methods, especially classification and clustering, onto deflectometric data of surface defects found on car bodies. The data is acquired via robot-assisted automated surface inspection system, manufactured by Micro-Epsilon GmbH, called reflectCONTROL. The measurement method of reflectCONTROL is based on Phase Measuring Deflectometry. The aim is to explore the possibility of automated defect classification via learning algorithms, and to gain new insight about the deflectometric data obtained from surface inspection process via clustering. This thesis is divided into theoretical part and empirical part. Basic concepts of machine learning and methods used in empirical evaluation are introduced in the theoretical part. The methods include two classification algorithms; Random Forest Classifier and Support Vector Machines. The three clustering algorithms used are k-means, Affinity Propagation and HDBSCAN. Furthermore, dimensionality reduction methods, such as Principal Component Analysis and t-SNE are included. In addition, the possibility of using Point Feature Histograms in the context of deflectometric data and feature generation is explored. The biggest challenge related to this research is that the data set used is highly unbalanced, the biggest class dominating over others in the learning tasks. The empirical study indicates that Random Forest Classifier and Support Vector Machines perform very similarly in classification tasks. Furthermore, it is possible to distinguish between different classes using multiclass classification on balanced data. It was also found via silhouette analysis and dimensionality reduction, that internal structure exists in the data, but it does not correspond to the human-assigned class labels of the defects. Finally, the study indicates that Point Feature Histogram-based features do not improve the classification performance significantly, but are helpful in clustering tasks by improving the correspondence between internal structure and human-assigned labels. The results of this study are promising for further research, suggesting that it is possible to conduct research on unlabeled data via clustering, and distinguish between different defect classes using appropriately selected data.

Opetus ja arviointi digitalisoituvat vauhdilla kaikilla koulutusasteilla, ja myös Tampereen teknillisessä yliopistossa on panostettu sähköisiin järjestelmiin. Sähköisten järjestelmien avulla voidaan opiskelijoille tarjota yksilöllisempiä ja joustavampia opintopolkuja niin yliopistossa kuin alemmillakin koulutusasteilla. Tässä työssä tutustutaan matematiikan interaktiivisiin tehtäviin ja sähköiseen tenttiin. Työssä tutkitaan lukio- ja yliopisto-opiskelijoiden kokemuksia interaktiivisista matematiikan tehtävistä sekä selvitetään yliopisto-opiskelijoiden mielipiteitä matematiikan sähköisestä tentistä. Aluksi tarkastellaan matemaattisen osaamisen arviointia ja tietotekniikan hyödyntämistä matematiikan opetuksessa. Myöhemmin esitellään matematiikan interaktiivisia STACK-tehtäviä sekä opiskelijoiden kokemuksia niistä. Tämän jälkeen selvitetään, miten Tampereen teknillisessä yliopistossa on kokeiltu ja kehitetty matematiikan sähköistä tenttiä lukuvuonna 2016–2017, ja millaisia kokemuksia opiskelijoilla on tentistä. Kyselyjen perusteella yliopisto-opiskelijat suhtautuvat positiivisesti sekä interaktiivisiin tehtäviin että sähköiseen tenttiin. Erityisesti välitön palaute ja vihjeet koettiin positiivisiksi asioiksi tehtävissä, sähköisessä tentissä arvostettiin sen joustavuutta. Lukio-opiskelijoiden kokemukset interaktiivisista tehtävistä eivät olleet yhtä positiivisia. Sekä sähköisissä tehtävissä että sähköisessä tentissä nähtiin kuitenkin potentiaalia tulevaisuudessa.