Fraunhofer Chalmers Research Centre for Industrial Mathematics
Chalmers Publication LibraryNot a member yet
70439 research outputs found
Sort by
Modellering av avkastningen på svenska statsobligationsmarknaden
No full textI denna rapport undersöks det om den generaliserade momentmetoden (GMM) är en lämplig metod för att skatta parametrar till Vasiceks modell. Studiens syfte är att se om Vasiceks modell även i praktiken kan ge en negativ avkastning och framförallt om de rådande negativa räntorna på den svenska statsobligationsmarknaden kan modelleras. Samtliga beräkningar och modellimplementeringar görs i programspråket Matlab.
För att avgöra vilken eller vilka dataserier av statsskuldväxlar och STIBOR som är lämpligast att använda för att utföra studien görs χ2-test, p-värden beräknas och standardavvikelser för de skattade parametrarna tas fram. Utifrån informationen som fås vid testerna och beräkningarna konstateras att korttidsräntor av statsskuldväxlar och STIBOR med fem års historisk data har störst potential att ge bra resultat och används därför vid fortsatta studier. Genom att sätta in de skattade parametrarna i uttrycket för avkastningen från Vasiceks modell jämförs den teoretiskt erhållna avkastningen med den verkliga listade avkastningen. Den rättvisa swapräntan beräknas också med syftet att undersöka om de teoretiska resultaten överensstämmer med de verkliga. Parametrarna som skattas med GMM är förväntningsskeva, vilket innebär att de är mer eller mindre felaktiga. Tekniken med jackknife används för att eliminera en del av förväntningsskevheten och därmed få noggrannare och mer korrekta värden på parametrarna.
Undersökningen visar att den teoretiska avkastningen är ständigt negativ och minskar när löptiden ökar. Den teoretiska avkastningen följer därför inte samma beteende som den verkliga avkastningen, eftersom den verkliga avkastningen för statsobligationer med fem års löptid eller längre ger en positiv avkastning som ökar med löptiden. Det teoretiska resultatet överensstämmer inte med verkligheten vilket är en indikation på att parametrarna som är skattade med GMM inte är korrekta. Beräkningen av den rättvisa swapräntan stärker också denna tes eftersom de teoretiska och verkliga värdena inte stämmer överens med varandra. Undersökningen visar också att parameterskattningarna inte blir bättre när tekniken med jackknife används. Istället blir förväntningsskevheten snarare större. Studiens slutsats är därför att Vasiceks modell med parametrar skattade med GMM inte är lämplig att använda för att modellera avkastningen på den svenska statsobligationsmarknaden. Trots detta resultat belyser studien vikten av att undersöka förväntningsskevhet hos parametrar eftersom förväntningsskeva resultat som appliceras i verkligheten kan medföra oönskade konsekvenser
Optimization of Signal Controlled Bicycle Crossings - Adaption to an Increase in Bicyclists in Gothenburg
No full textHeat treatment optimization of through-hardening bearing steels
No full textNon-contact infrared thermometers, such as pyrometers, are excellent for monitoring surface temperatures of objects that are moving, difficult to reach or extremely hot without damaging the object. Pyrometers are also easy to handle and often less expensive than contact temperature sensors. If pyrometers are to be used in a
greater extent at SKF when evaluating or creating new heat treatment recipes for large bearings, more data is needed. The purpose of the study was to evaluate the
current heat treatment recipes with the help of a hand held pyrometer. Twelve inner rings and ten outer rings of a large spherical roller bearing made from the
through hardening bearing steel 100CrMnMoSi8-4-6 were measured and the results were verified using thermocouples. The pyrometer measurements showed consistent heat-up and soaking times for inner and outer rings, respectively, and relatively small time differences compared to the thermocouple measurements. Soaking time between the inner and outer rings as well as between the different furnaces did, however, differ quite a lot. The author concludes that pyrometers can be used
effectively to monitor the heat treatment and that the inner ring’s recipe should be changed to assure a more consistent heat treatment
A Bayesian machine learning approach to passive microwave precipitation retrievals
No full textA machine learning-based approach to precipitation retrievals, using Quantile Regression
Neural Networks (QRNNs), is developed for data from the Global Precipitation
Measurement (GPM) mission. The retrievals are conducted within a Bayesian
framework where the networks are trained to predict quantiles of the posterior distribution
of rain rates, conditioned on passive microwave observations. In this way,
rain rates are retrieved along with the associated retrieval uncertainties. The effects
of including additional spatial information as input to the QRNNs are also
investigated. Different QRNNs are trained and tested, first globally over oceans and
then over the U.S Great Plains. In both cases, the performance of the QRNNs are
compared to the Goddard Profiling Algorithm (GPROF), a state-of-the-art passive
microwave retrieval algorithm. The primary results are those over oceans, where
the QRNNs show great performance on similar levels as GPROF with respect to
point estimate metrics such as the mean squared error. Furthermore, the QRNN
retrievals are very fast, taking less than a millisecond per footprint on a standard
computer. It turns out that extra spatial information improves the QRNNs, especially
on making rain-no rain classifications with fractions of true positives and true
negatives exceeding 0.67 and 0.96 respectively. Furthermore, the QRNNs manage to
produce well calibrated quantiles, resulting in good confidence intervals to account
for retrieval uncertainties. Over the Great Plains, the results are promising but are
based on much smaller amounts of data and are thus less significant
Event reconstruction of gamma-rays using neural networks
No full textThis study aims to develop and investigate artificial neural networks that reconstruct
the energy and emission angles of relativistic
gamma-ray events in the CALIFA
(CALorimeter for In-Flight detection of
gamma-rays and high energy charged pArticles)
particle detector. In the present, the addback algorithm is used to reconstruct such
events, but only to a limited extent because of difficulties arising from Compton
scattering and pair production of the
gamma-rays. Both fully connected and convolutional
neural networks were investigated and evaluated with detector data which
was simulated with the software toolkits Geant4, ggland and ROOT. When finally
comparing the neural networks with addback they showed potential to have equal
or better accuracy than the addback for
gamma-ray energies of 3.5 to 10 MeV. However,
the addback had a better signal-to-background ratio between 1 and 10 MeV whereas
the neural networks also showed significant issues reconstructing lower energies. The
best performing networks were fully connected neural networks trained on simulated
detector data that took relativistic effects into account with a mean square-based
cost function. Furthermore, this study concludes some hyperparameters of the neural
networks which are suitable for the event reconstruction as well as suggestions
for further investigation