Modelling non-industrial private forest landowners' strategic decision making by using logistic regression and neural networks: case of predicting the choice of forest taxation basis

Summary

Multivariable regression analysis and hot-spot stress approach into fatigue life estimations of welded joints

Kolmen eri hitsausliitoksen väsymisikä arvio on analysoitu monimuuttuja regressio analyysin avulla. Regression perustana on laaja S-N tietokanta joka on kerätty kirjallisuudesta. Tarkastellut liitokset ovat tasalevy liitos, krusiformi liitos ja pitkittäisripa levyssä. Muuttujina ovat jännitysvaihtelu, kuormitetun levyn paksuus ja kuormitus tapa. Paksuus effekti on käsitelty uudelleen kaikkia kolmea liitosta ajatellen. Uudelleen käsittelyn avulla on varmistettu paksuus effektin olemassa olo ennen monimuuttuja regressioon siirtymistä. Lineaariset väsymisikä yhtalöt on ajettu kolmelle hitsausliitokselle ottaen huomioon kuormitetun levyn paksuus sekä kuormitus tapa. Väsymisikä yhtalöitä on verrattu ja keskusteltu testitulosten valossa, jotka on kerätty kirjallisuudesta. Neljä tutkimustaon tehty kerättyjen väsymistestien joukosta ja erilaisia väsymisikä arvio metodeja on käytetty väsymisiän arviointiin. Tuloksia on tarkasteltu ja niistä keskusteltu oikeiden testien valossa. Tutkimuksissa on katsottu 2mm ja 6mm symmetristäpitkittäisripaa levyssä, 12.7mm epäsymmetristä pitkittäisripaa, 38mm symmetristä pitkittäisripaa vääntökuormituksessa ja 25mm/38mm kuorman kantavaa krusiformi liitosta vääntökuormituksessa. Mallinnus on tehty niin lähelle testi liitosta kuin mahdollista. Väsymisikä arviointi metodit sisältävät hot-spot metodin jossa hot-spot jännitys on laskettu kahta lineaarista ja epälineaarista ekstrapolointiakäyttäen sekä paksuuden läpi integrointia käyttäen. Lovijännitys ja murtumismekaniikka metodeja on käytetty krusiformi liitosta laskiessa.

Short-term forecasting of power demand in the Nord Pool market

Sähkönkulutuksen lyhyen aikavälin ennustamista on tutkittu jo pitkään. Pohjoismaisien sähkömarkkinoiden vapautuminen on vaikuttanut sähkönkulutuksen ennustamiseen. Aluksi työssä perehdyttiin aiheeseen liittyvään kirjallisuuteen. Sähkönkulutuksen käyttäytymistä tutkittiin eri aikoina. Lämpötila tilastojen käyttökelpoisuutta arvioitiin sähkönkulutusennustetta ajatellen. Kulutus ennusteet tehtiin tunneittain ja ennustejaksona käytettiin yhtä viikkoa. Työssä tutkittiin sähkönkulutuksen- ja lämpötiladatan saatavuutta ja laatua Nord Poolin markkina-alueelta. Syötettävien tietojen ominaisuudet vaikuttavat tunnittaiseen sähkönkulutuksen ennustamiseen. Sähkönkulutuksen ennustamista varten mallinnettiin kaksi lähestymistapaa. Testattavina malleina käytettiin regressiomallia ja autoregressiivistä mallia (autoregressive model, ARX). Mallien parametrit estimoitiin pienimmän neliösumman menetelmällä. Tulokset osoittavat että kulutus- ja lämpötiladata on tarkastettava jälkikäteen koska reaaliaikaisen syötetietojen laatu on huonoa. Lämpötila vaikuttaa kulutukseen talvella, mutta se voidaan jättää huomiotta kesäkaudella. Regressiomalli on vakaampi kuin ARX malli. Regressiomallin virhetermi voidaan mallintaa aikasarjamallia hyväksikäyttäen.

Learning Preferences with Kernel-Based Methods

Learning of preference relations has recently received significant attention in machine learning community. It is closely related to the classification and regression analysis and can be reduced to these tasks. However, preference learning involves prediction of ordering of the data points rather than prediction of a single numerical value as in case of regression or a class label as in case of classification. Therefore, studying preference relations within a separate framework facilitates not only better theoretical understanding of the problem, but also motivates development of the efficient algorithms for the task. Preference learning has many applications in domains such as information retrieval, bioinformatics, natural language processing, etc. For example, algorithms that learn to rank are frequently used in search engines for ordering documents retrieved by the query. Preference learning methods have been also applied to collaborative filtering problems for predicting individual customer choices from the vast amount of user generated feedback. In this thesis we propose several algorithms for learning preference relations. These algorithms stem from well founded and robust class of regularized least-squares methods and have many attractive computational properties. In order to improve the performance of our methods, we introduce several non-linear kernel functions. Thus, contribution of this thesis is twofold: kernel functions for structured data that are used to take advantage of various non-vectorial data representations and the preference learning algorithms that are suitable for different tasks, namely efficient learning of preference relations, learning with large amount of training data, and semi-supervised preference learning. Proposed kernel-based algorithms and kernels are applied to the parse ranking task in natural language processing, document ranking in information retrieval, and remote homology detection in bioinformatics domain. Training of kernel-based ranking algorithms can be infeasible when the size of the training set is large. This problem is addressed by proposing a preference learning algorithm whose computation complexity scales linearly with the number of training data points. We also introduce sparse approximation of the algorithm that can be efficiently trained with large amount of data. For situations when small amount of labeled data but a large amount of unlabeled data is available, we propose a co-regularized preference learning algorithm. To conclude, the methods presented in this thesis address not only the problem of the efficient training of the algorithms but also fast regularization parameter selection, multiple output prediction, and cross-validation. Furthermore, proposed algorithms lead to notably better performance in many preference learning tasks considered.

Workplace Social Capital and Employee Health

Työyhteisön sosiaalinen pääoma ja työntekijöiden terveys Monien tutkimusten mukaan sosiaalinen pääoma vaikuttaa terveyteen. Vaikka työssä käyvä väestönosa on merkittävän osan valveillaoloajastaan työyhteisössä, siellä kertyvää sosiaalista pääomaa on toistaiseksi tutkittu vähän. Tässä tutkimuksessa selvitettiin työyhteisön sosiaalisen pääoman ja kuntatyöntekijöiden terveyden välistä yhteyttä pitkittäisasetelmassa hyödyntäen Kuntasektorin henkilöstön seurantatutkimuksen aineistoa vuosilta 2000–2005. Yhteensä 48592 kuntatyöntekijää vastasi kyselyyn vuosina 2000–02 (vastausprosentti 68 %). Heistä 35914 (77 %) osallistui myös seurantatutkimukseen vuosina 2004–05. Tutkimuksessa kehitettiin kyselyyn perustuva työyhteisön sosiaalisen pääoman mittausmenetelmä. Työntekijän omaan arvioon perustuvan sosiaalisen pääoman lisäksi mitattiin työyhteisön sosiaalista pääomaa käyttämällä samassa työyhteisössä työskentelevien muiden työntekijöiden keskimääräistä arviota sosiaalisesta pääomasta. Terveyttä mitattiin kysymyksellä koetusta terveydestä. Masennusta arvioitiin sekä kysymällä lääkärin toteamasta masennuksesta että masennuslääkeostoilla Kelan lääkerekistereistä. Analyyseihin otettiin mukaan vain ne kuntatyöntekijät, jotka olivat lähtötilanteissa terveitä eli kokivat terveytensä hyväksi tai heillä ei ollut aiempaa diagnosoitua tai lääkehoitoa vaatinutta masennusta. Tulosten analysointiin käytettiin monitasomallinnusta. Tulokset vakioitiin sosiodemografisten tekijöiden ja terveyskäyttäytymisen suhteen. Neljän vuoden seurannassa sekä jatkuvasti vähäinen että vähenevä yksilön sosiaalinen pääoma työssä lisäsi riskiä koetun terveyden heikkenemiseen niillä kuntatyöntekijöillä, jotka eivät vaihtaneet työpaikkaa seurannan aikana ja jotka seurannan alussa kokivat terveytensä hyväksi. Tulos ei selittynyt sosiodemografisilla tekijöillä tai terveyskäyttäytymisen eroilla. Tuloksen merkittävyyttä tuki havainto, että myös työtoverien arvioon perustuva sosiaalinen pääoma ennusti oman terveyden huononemista seuranta-aikana. Niillä työntekijöillä, jotka työskentelivät sellaisissa työyhteisöissä, joissa koko seurannan ajan oli vähiten sosiaalista pääomaa, oli lähes 1.3 -kertainen riski terveyden heikentymiseen. Vähäinen omaan arvioon perustuva sosiaalinen pääoma työssä ennusti myös masennuksen ilmaantuvuutta lähtötilanteessa ei-masentuneilla lähes neljän vuoden seurannassa. Matalaan sosiaaliseen pääomaan liittyi 20–50 % suurempi todennäköisyys sairastua masennukseen seurannan aikana niin itseraportoidun lääkärin totea-man masennuksen kuin masennuslääkeostojen perusteella. Tätä tulosta ei kuitenkaan pystytty toistamaan käyttämällä oman arvion sijasta työtoverien arviota työyhteisön sosiaalisesta pääomasta. Tutkimusta sosiaalisen pääoman vaikutusta masennuksen ilmaantumiseen jatkettiin selvittämällä miten sosiaalisen pääoman eri ulottuvuudet vaikuttivat masennuksen ilmaantumiseen. Tulosten mukaan sosiaalisen pääoman vertikaalinen komponentti (työntekijöiden ja esimiesten välinen luottamus, vastavuoroisuus ja jaetut arvot ja normit, jotka edesauttavat yhteistyötä) sekä horisontaalinen komponentti (työntekijöiden välisissä suhteissa yhteistyöstä, luottamuksesta ja vastavuoroisuudesta syntyvä sosiaalinen pääoma) vaikuttivat itsenäisesti masennusriskiin. Tutkimuksen perusteella korkea työyhteisön sosiaalinen pääoma saattaa vaikuttaa edullisesti työntekijöiden terveyteen. Jos näin on, olisi tärkeää edistää työyhteisöjen sosiaalista pääomaa ja kannustaa sellaiseen toimintaan, joka lisää suvaitsevaisuutta, luottamusta ja vastavuoroisuutta sekä työntekijöiden kesken että työntekijöiden ja esimiesten välillä.

Automated, adaptive methods for forest inventory

Forest inventories are used to estimate forest characteristics and the condition of forest for many different applications: operational tree logging for forest industry, forest health state estimation, carbon balance estimation, land-cover and land use analysis in order to avoid forest degradation etc. Recent inventory methods are strongly based on remote sensing data combined with field sample measurements, which are used to define estimates covering the whole area of interest. Remote sensing data from satellites, aerial photographs or aerial laser scannings are used, depending on the scale of inventory. To be applicable in operational use, forest inventory methods need to be easily adjusted to local conditions of the study area at hand. All the data handling and parameter tuning should be objective and automated as much as possible. The methods also need to be robust when applied to different forest types. Since there generally are no extensive direct physical models connecting the remote sensing data from different sources to the forest parameters that are estimated, mathematical estimation models are of "black-box" type, connecting the independent auxiliary data to dependent response data with linear or nonlinear arbitrary models. To avoid redundant complexity and over-fitting of the model, which is based on up to hundreds of possibly collinear variables extracted from the auxiliary data, variable selection is needed. To connect the auxiliary data to the inventory parameters that are estimated, field work must be performed. In larger study areas with dense forests, field work is expensive, and should therefore be minimized. To get cost-efficient inventories, field work could partly be replaced with information from formerly measured sites, databases. The work in this thesis is devoted to the development of automated, adaptive computation methods for aerial forest inventory. The mathematical model parameter definition steps are automated, and the cost-efficiency is improved by setting up a procedure that utilizes databases in the estimation of new area characteristics.

Novel Regression Methods For Spectral Data

Singular Value Decomposition (SVD), Principal Component Analysis (PCA) and Multiple Linear Regression (MLR) are some of the mathematical pre- liminaries that are discussed prior to explaining PLS and PCR models. Both PLS and PCR are applied to real spectral data and their di erences and similarities are discussed in this thesis. The challenge lies in establishing the optimum number of components to be included in either of the models but this has been overcome by using various diagnostic tools suggested in this thesis. Correspondence analysis (CA) and PLS were applied to ecological data. The idea of CA was to correlate the macrophytes species and lakes. The di erences between PLS model for ecological data and PLS for spectral data are noted and explained in this thesis. i

Robust current control of a phase shifted full-bridge buck converter

In this thesis, the main point of interest is the robust control of a DC/DC converter. The use of reactive components in the power conversion gives rise to dynamical effects in DC/DC converters and the dynamical effects of the converter mandates the use of active control. Active control uses measurements from the converter to correct errors present in the converter’s output. The controller needs to be able to perform in the presence of varying component values and different kinds of disturbances in loading and noises in measurements. Such a feature in control design is referred as robustness. This thesis also contains survey of general properties of DC/DC converters and their effects on control design. In this thesis, a linear robust control design method is studied. A robust controller is then designed and applied to the current control of a phase shifted full bridge converter. The experimental results are shown to match simulations.

Pricing of Liquidity Risks in London Stock Exchange

This thesis aims to investigate pricing of liquidity risks in London Stock Exchange. Liquidity Adjusted Capital Asset Pricing Model i.e. LCAPM developed by Acharya and Pedersen (2005) is being applied to test the influence of various liquidity risks on stock returns in London Stock Exchange. The Liquidity Adjusted Capital Asset Pricing model provides a unified framework for the testing of liquidity risks. All the common stocks listed and delisted for the period of 2000 to 2014 are included in the data sample. The study has incorporated three different measures of liquidity – Percent Quoted Spread, Amihud (2002) and Turnover. The reason behind the application of three different liquidity measures is the multi-dimensional nature of liquidity. Firm fixed effects panel regression is applied for the estimation of LCAPM. However, the results are robust according to Fama-Macbeth regressions. The results of the study indicates that liquidity risks in the form of (i) level of liquidity, (ii) commonality in liquidity (iii) flight to liquidity, (iv) depressed wealth effect and market return as well as aggregate liquidity risk are priced at London Stock Exchange. However, the results are sensitive to the choice of liquidity measures.