Fuzzy Principal Components Analysis

Due to the large number of characteristics, there is a need to extract the most relevant characteristicsfrom the input data, so that the amount of information lost in this way is minimal, and the classification realized with the projected data set is relevant with respect to the original data. In order to achieve this feature extraction, different statistical techniques, as well as the principal components analysis (PCA) may be used. This thesis describes an extension of principal components analysis (PCA) allowing the extraction ofa finite number of relevant features from high-dimensional fuzzy data and noisy data. PCA finds linear combinations of the original measurement variables that describe the significant variation in the data. The comparisonof the two proposed methods was produced by using postoperative patient data. Experiment results demonstrate the ability of using the proposed two methods in complex data. Fuzzy PCA was used in the classificationproblem. The classification was applied by using the similarity classifier algorithm where total similarity measures weights are optimized with differential evolution algorithm. This thesis presents the comparison of the classification results based on the obtained data from the fuzzy PCA.

An Optimum Coating Colour Formula for CSWO-printing

Pigmenttipäällystyksen tarkoituksena on parantaa painopapereiden pintaominaisuuksia. Tämän työn tarkoituksena oli löytää sopiva päällystyspasta päällystetylle coldset-paperille. Kirjallisuusosassa on käsitelty coldset-painatusta ja sen ongelmia. Päällystysmenetelmän perusteita, pastan ominaisuuksia ja niiden vaikutusta päällystystulokseen on myös käsitelty. Lisäksi on esitelty joitakin päällystetyn paperin pinnantutkimusmenetelmiä. Kokeellisessa osassa on tutkittu erilaisten pastakoostumusten ja päällystemäärien sekä kalanteroinnin vaikutusta paperin painettavuuteen. Paperit on päällystetty Helicoaterilla ja joitakin pastoja on testattu myös pilot-mittakaavaisessa päällystyksessä. Selitystä paperin käyttäytymiseen painatuksessa on etsitty päällystetyn paperin pintarakenteesta. Paras painettavuus saavutetaan päällysteellä, jossa pigmenttinä on vain karbonaatti. Painojälkeä voidaan parantaa käyttämällä kalsinoitua kaoliinia yhdessä karbonaatin kanssa, mutta tämän päällysteen pintalujuus ei ole riittävä CSWO-painatukseen. Tärkkipigmentti parantaa veden ja painovärin absorptiota ja siten tekee painetun tuotteen kuivemmaksi ja miellyttävämmän tuntuiseksi, mutta aiheuttaa smearingia. Tämä johtuu liian nopeasta musteen asettuvuudesta. "Pehmeä" SB-lateksi soveltuu paremmin offset-painatukseen kuin "kova" lateksi, joka sisältää myös PVAc:ta. "Pehmeällä" lateksilla saadaan parempi pintalujuus ja painojälki kuin "kovalla" lateksilla. Paperin pölyävyyttä painatuksessa voidaan vähentää nostamalla päällystemäärää ja laskemalla pastan kuiva-ainepitoisuutta. Kalanteroinnilla ei pintalujuutta tai painojälkeä voida parantaa. Selitys tutkimuksessa käsiteltyjen papereiden painojäljelle ja painettavuudelle löydetään tutkimalla päällysteen pintarakennetta. Painojälkeen vaikuttaa eniten päällysteen peittoaste. Huonoa peittävyyttä voidaan parantaa nostamalla päällystemäärää. Pölyäminen painatuksessa johtuu pigmenteistä, jotka eivät ole sidottuja paperin pintaan. Tämä taas johtuu pastan huonosta vesiretentiosta. Hyödyllisintä tietoa näiden papereiden pintarakenteesta saadaan tutkimalla pintaa pyyhkäisyelektonimikroskoopilla (SEM), atomivoimamikroskoopilla (AFM) ja laserindusoidulla plasmaspektrometrilla (LIPS). LIPSin etuna on se, että päällystemääräjaukauma voidaan määrittää sekä x-y- että z-suunnassa samanaikaisesti samasta kohdasta. LIPSissä myös näytteen preparointitarve on hyvin vähäinen.

Virus Infections in Early Childhood, Cow’s Milk Formula Exposure and Genetic Predisposition in the Development of Diabetes-Associated Autoimmunity

Varhaislapsuuden virusinfektioiden, lehmänmaitopohjaisen äidinmaitovastikeen ja geneettisen alttiuden merkitys diabetekseen liittyvän autoimmuniteetin kehittymisessä Tyypin 1 diabetes on autoimmuunisairaus, joka syntyy haiman insuliinia tuottavien beta-solujen tuhouduttua elimistön oman immuunipuolustusjärjestelmän hyökkäyksen seurauksena. Sekä perimän että ympäristötekijöiden arvellaan vaikuttavan tautiprosessiin, mutta taudin tarkkaa syntymekanismia ei tunneta. Tutkimuksen tarkoituksena oli selvittää varhaislapsuuden ympäristötekijöiden vaikutusta beta-soluautoimmuniteetin syntyyn, erityispaino tutkimuksessa oli ympäristötekijöiden yhteisvaikutuksessa sekä geneettisten riskitekijöiden ja ympäristötekijöiden vuorovaikutuksessa. Varhaislapsuudessa sairastettu sytomegalovirus- tai enterovirusinfektio ei lisännyt beta-soluautoimmuniteetin riskiä lapsilla, joilla on geneettisesti kohonnut riski sairastua tyypin 1 diabetekseen. Ennen puolen vuoden ikää sairastettu rotavirusinfektio lisäsi hieman tyypin 1 diabetekseen liittyvän autoimmuniteetin riskiä. Tarkemmassa analyysissa varhaislapsuuden enterovirusinfektio osoittautui kuitenkin autovasta-aineiden muodostumisen riskitekijäksi niiden lasten joukossa, jotka olivat saaneet lehmänmaitopohjaista äidinmaidon vastiketta ensimmäisten elinkuukausien aikana. Tämä löydös viittaa enterovirusinfektion ja lehmänmaitopohjaisen vastikkeen yhteisvaikutukseen tyypin 1 diabetekseen liittyvän autoimmuniteetin synnyssä. Löydösten mukaan PTPN22 geenin C1858T polymorfismi vaikuttaa CD4+ T solujen aktivaatioon ja proliferaatiovasteeseen, 1858T alleeliin liittyy alentunut T-soluresepto-rivälitteinen aktivaatio. 1858T alleelin kantajuuteen liittyy lisäksi lisääntynyt autovasta-aineiden ja kliinisen diabeteksen ilmaantuvuus. Tämä yhteys rajoittui yksilöihin, jotka olivat altistuneet lehmänmaitopohjaiselle vastikkeelle ennen kuuden kuukauden ikää. Tulosten mukaan sekä ympäristötekijöiden väliset yhteisvaikutukset että perimä vaikuttavat yksittäisen ympäristötekijän merkitykseen tyypin 1 diabetekseen liittyvän autoimmuniteetin synnyssä. Nämä yhteisvaikutukset ympäristötekijöiden kesken ja perimän ja ympäristötekijöiden välillä selittävät aiemmin julkaistujen tulosten ristiriittaisuutta tutkimuksissa, joissa on analysoitu vain yhden ympäristötekijän vaikutusta diabeteksen ilmaantuvuuteen.

De formula: Dei gratia, principum titulis adjici solita

Invocatio: I.N.D.O.M.

Europeana ja Formula

Tapani Sainion esitys KDK-asiakasliittymäseminaarissa 21.3.2012 Helsingissä

Adaptive Markov chain Monte Carlo and Bayesian filtering for state space models

This thesis is concerned with the state and parameter estimation in state space models. The estimation of states and parameters is an important task when mathematical modeling is applied to many different application areas such as the global positioning systems, target tracking, navigation, brain imaging, spread of infectious diseases, biological processes, telecommunications, audio signal processing, stochastic optimal control, machine learning, and physical systems. In Bayesian settings, the estimation of states or parameters amounts to computation of the posterior probability density function. Except for a very restricted number of models, it is impossible to compute this density function in a closed form. Hence, we need approximation methods. A state estimation problem involves estimating the states (latent variables) that are not directly observed in the output of the system. In this thesis, we use the Kalman filter, extended Kalman filter, Gauss–Hermite filters, and particle filters to estimate the states based on available measurements. Among these filters, particle filters are numerical methods for approximating the filtering distributions of non-linear non-Gaussian state space models via Monte Carlo. The performance of a particle filter heavily depends on the chosen importance distribution. For instance, inappropriate choice of the importance distribution can lead to the failure of convergence of the particle filter algorithm. In this thesis, we analyze the theoretical Lᵖ particle filter convergence with general importance distributions, where p ≥2 is an integer. A parameter estimation problem is considered with inferring the model parameters from measurements. For high-dimensional complex models, estimation of parameters can be done by Markov chain Monte Carlo (MCMC) methods. In its operation, the MCMC method requires the unnormalized posterior distribution of the parameters and a proposal distribution. In this thesis, we show how the posterior density function of the parameters of a state space model can be computed by filtering based methods, where the states are integrated out. This type of computation is then applied to estimate parameters of stochastic differential equations. Furthermore, we compute the partial derivatives of the log-posterior density function and use the hybrid Monte Carlo and scaled conjugate gradient methods to infer the parameters of stochastic differential equations. The computational efficiency of MCMC methods is highly depend on the chosen proposal distribution. A commonly used proposal distribution is Gaussian. In this kind of proposal, the covariance matrix must be well tuned. To tune it, adaptive MCMC methods can be used. In this thesis, we propose a new way of updating the covariance matrix using the variational Bayesian adaptive Kalman filter algorithm.

Modeling Energy Futures Returns With Markov Regime Switching Model

Financial time series have a tendency of abruptly changing their behavior and maintain this behavior for several consecutive periods, and commodity futures returns are not an exception. This quality proposes that nonlinear models, as opposed to linear models, can more accurately describe returns and volatility. Markov regime switching models are able to match this behavior and have become a popular way to model financial time series. This study uses Markov regime switching model to describe the behavior of energy futures returns on a commodity level, because studies show that commodity futures are a heterogeneous asset class. The purpose of this thesis is twofold. First, determine how many regimes characterize individual energy commodities’ returns in different return frequencies. Second, study the characteristics of these regimes. We extent the previous studies on the subject in two ways: We allow for the possibility that the number of regimes may exceed two, as well as conduct the research on individual commodities rather than on commodity indices or subgroups of these indices. We use daily, weekly and monthly time series of Brent crude oil, WTI crude oil, natural gas, heating oil and gasoil futures returns over 1994–2014, where available, to carry out the study. We apply the likelihood ratio test to determine the sufficient number of regimes for each commodity and data frequency. Then the time series are modeled with Markov regime switching model to obtain the return distribution characteristics of each regime, as well as the transition probabilities of moving between regimes. The results for the number of regimes suggest that daily energy futures return series consist of three to six regimes, whereas weekly and monthly returns for all energy commodities display only two regimes. When the number of regimes exceeds two, there is a tendency for the time series of energy commodities to form groups of regimes. These groups are usually quite persistent as a whole because probability of a regime switch inside the group is high. However, individual regimes in these groups are not persistent and the process oscillates between these regimes frequently. Regimes that are not part of any group are generally persistent, but show low ergodic probability, i.e. rarely prevail in the market. This study also suggests that energy futures return series characterized with two regimes do not necessarily display persistent bull and bear regimes. In fact, for the majority of time series, bearish regime is considerably less persistent. Rahoituksen aikasarjoilla on taipumus arvaamattomasti muuttaa käyttäytymistään ja jatkaa tätä uutta käyttäytymistä useiden periodien ajan, eivätkä hyödykefutuurien tuotot tee tähän poikkeusta. Tämän ominaisuuden johdosta lineaaristen mallien sijasta epälineaariset mallit pystyvät tarkemmin kuvailemaan esimerkiksi tuottojen jakauman parametreja. Markov regiiminvaihtomallit pystyvät vangitsemaan tämän ominaisuuden ja siksi niistä on tullut suosittuja rahoituksen aikasarjojen mallintamisessa. Tämä tutkimus käyttää Markov regiiminvaihtomallia kuvaamaan yksittäisten energiafutuurien tuottojen käyttäytymistä, sillä tutkimukset osoittavat hyödykefutuurien olevan hyvin heterogeeninen omaisuusluokka. Tutkimuksen tarkoitus on selvittää, kuinka monta regiimiä tarvitaan kuvaamaan energiafutuurien tuottoja eri tuottofrekvensseillä ja mitkä ovat näiden regiimien ominaisuudet. Aiempaa tutkimusta aiheesta laajennetaan määrittämällä regiimien lukumäärä tilastotieteellisen testauksen menetelmin sekä tutkimalla energiafutuureja yksittäin; ei indeksi- tai alaindeksitasolla. Tutkimuksessa käytetään päivä-, viikko- ja kuukausiaikasarjoja Brent-raakaöljyn, WTI-raakaöljyn, maakaasun, lämmitysöljyn ja polttoöljyn tuotoista aikaväliltä 1994–2014, siltä osin kuin aineistoa on saatavilla. Likelihood ratio -testin avulla estimoidaan kaikille aikasarjoille regiimien määrä,jonka jälkeen Markov regiiminvaihtomallia hyödyntäen määritetään yksittäisten regiimientuottojakaumien ominaisuudet sekä regiimien välinen transitiomatriisi. Tulokset regiimien lukumäärän osalta osoittavat, että energiafutuurien päiväkohtaisten tuottojen aikasarjoissa regiimien lukumäärä vaihtelee kolmen ja kuuden välillä. Viikko- ja kuukausituottojen kohdalla kaikkien energiafutuurien prosesseissa regiimien lukumäärä on kaksi. Kun regiimejä on enemmän kuin kaksi, on prosessilla taipumus muodostaa regiimeistä koostuvia ryhmiä. Prosessi pysyy ryhmän sisällä yleensä pitkään, koska todennäköisyys siirtyä ryhmään kuuluvien regiimien välillä on suuri. Yksittäiset regiimit ryhmän sisällä eivät kuitenkaan ole kovin pysyviä. Näin ollen prosessi vaihtelee ryhmän sisäisten regiimien välillä tiuhaan. Regiimit, jotka eivät kuulu ryhmään, ovat yleensä pysyviä, mutta prosessi ajautuu niihin vain harvoin, sillä todennäköisyys siirtyä muista regiimeistä niihin on pieni. Tutkimuksen tulokset osoittavat myös, että prosesseissa, joita ohjaa kaksi regiimiä, nämä regiimit eivät välttämättä ole pysyvät bull- ja bear-markkinatilanteet. Tulokset osoittavat sen sijaan, että bear-markkinatilanne on energiafutuureissa selvästi vähemmän pysyvä.