Statistical segmentation methods and color variance analysis of retinal images

In this research, the effectiveness of Naive Bayes and Gaussian Mixture Models classifiers on segmenting exudates in retinal images is studied and the results are evaluated with metrics commonly used in medical imaging. Also, a color variation analysis of retinal images is carried out to find how effectively can retinal images be segmented using only the color information of the pixels.

Tuotannon budjettimallin uudistaminen elektroniikka-alan yrityksessä

Diplomityön tavoitteena on suunnitella ja toteuttaa tuotannon budjettimalli elektroniikka-alalla toimivalle yritykselle. Työn onnistumisen kannalta keskeistä on löytää vanhan budjettimallin puutteet sekä uudet tietotarpeet, joita tuotannon johto tarvitsee pyrittäessä kustannustehokkaaseen ja kannattavaan tuotantotoimintaan. Näiden tietojen pohjalta suunnitellaan ja toteutetaan uusi budjettimalli sekä kuvataan sen toimintaperiaatteet. Työn teoreettisessa osuudessa esitellään budjetoinnin tavoitteet, hyödyt, kritiikin kohteet sekä tyypillisen teollisuusyrityksen osabudjetit. Myös perinteiseen budjetointiin läheisesti liittyvät muodot ja sovellukset, kuten toimintopohjainen budjetointi, vastuualuelaskenta ja nollapohjabudjetointi esitellään. Budjettiseurannan ja eroanalyysin tärkeä merkitys tuodaan esiin. Ennen uuden mallin esittämistä tutkitaan vanhan budjettimallin toimintaperiaatteet ja heikkoudet. Empiirisessä osassa keskitytään tuotannon budjetin toimintaperiaatteisiin sen sisältämien osabudjettien kautta. Työn loppupuolella esitellään uuden budjettimallin antamat tulokset ja poikkeamat sekä arvioidaan budjettimallin toimivuutta. Budjettimallin tuottaman informaation pohjalta tuotannonjohtoa ja suunnittelua ryhdyttiin välittömästi tehostamaan välillisten kustannusten alentamiseksi. Tehostustoimet ilmenivät konkreettisesti positiivisena erona poikkeama-analyysissä suhteessa budjettiin. Rakennetun budjettimallin mallinnustarkkuus osoittautui hyväksi ja uudet esiin tuodut kustannuserät hyödylliseksi informaatioksi.

Yritysverojärjestelmän hyvyys, merkitys ja verosuunnittelun painopistealueet yrittäjien sekä asiantuntijoiden näkökulmista

Tämän tutkielman tavoitteena on kuvata hyvän verojärjestelmän ominaisuuksien toteutumista nykyisessä pienten osakeyhtiöiden yritysverojärjestelmässä. Lisäksi tavoitteena on selvittää yritysverotuksen painoarvo yritystoimintaa säätelevässä lainsäädännössä sekä yritysverotuksen keskeiset teemat asiantuntijakirjoitusten perusteella. Verosuunnittelun ja verotuksen merkitystä yrityskentässä selvitetään myös yrittäjien näkökulmasta ja verrataan asiantuntijakirjoituksiin. Tutkimuksen teoriassa käydään läpi hyvän verojärjestelmän periaatteet sekä pienen osakeyhtiön verosuunnittelukeinot. Empiirisessä osassa tutkimuksen kyselyaineistoa käsiteltiin varianssianalyysilla (ANOVA) sekä asiantuntija-artikkelit jaettiin suhteellisiin pää- ja alaryhmiin. Tutkimuksen perusteella voidaan todeta, että nykyinen yritysverojärjestelmä ei ole tarpeeksi yksinkertainen ja se luo epätasa-arvoa verovelvollisten joukossa. Muuten oikeudenmukaisuus toteutuu melko hyvin nykyisessä yritysverojärjestelmässä. Veroilla halutaan myös jonkin verran ohjata verovelvollisen käyttäytymistä ja näin ollen täysin neutraaliinkaan verojärjestelmään ei päästä. Kansainvälisen kilpailukyvyn näkökulmasta Suomen nimellinen verotus on EU-maiden keskiarvoa hieman korkeampi, mutta verotuksella ei karkoteta tuotannontekijöitä. Oikeusvarmuus ja ennakoitavuus toteutuvat hyvin. Yritysverotus on ollut esillä alan lehdissä runsaasti ja erityisesti kansainvälinen yritysverotus on saanut painoarvoa. Asiantuntijat näkevät verosuunnittelun monimuotoisempana kuin yrittäjät, jotka pitävät suunnittelua lähinnä palkan ja osingon edullisuuden vertailuna.

Standardikustannusten ja toteutuneiden kustannusten erotus

Työn tarkoituksena oli selvittää, eroavatko toteutuneet kustannukset standardikustannuksista sähkötarviketeollisuudessa. Kustannusten eroa, varianssia, pyrittiin analysoimaan mahdollisimman tarkasti, jotta varianssien tyyppi ja niiden lähteet selviäisivät. Tavoitteena oli myös selvittää, miten varianssi vaikuttaa standardien laskentaan ja siirtohinnoitteluun. Tutkimus tehtiin tapaustutkimuksena eräästä sähkötarviketeollisuuden yrityksestä. Toteutuneet kustannukset saatiin suoraan kirjanpidosta ja niitä verrattiin standardikustannuksiin. Standardikustannukset jaettiin eri kustannuskomponentteihin, jotka otettiin kohdeyrityksen toiminnanohjausjärjestelmästä. Kustannuskomponenttitasoista tietoa muokattiin tuloslaskentamuotoiseen muotoon, jotta toteutuneita kustannuksia voitiin verrata kerättyyn tietoon. Varianssianalyysistä selvisi, että toteutuneiden kustannusten ja standardikustannusten välillä on varianssia. Se jakautuu materiaalivarianssiin, työvarianssiin, ja yleiskustannuslisävarianssiin. Varianssien perusteella analysoitiin vaikutuksia standardien ja siirtohintojen laskentaan. Näiden tietojen perusteella työn lopuksi on mietitty parantamistoimenpiteitä varianssien ehkäisemiseksi.

Yrittäjyyskasvatus yhteistyöverkostoissa

Tutkimus käsittelee Yrittäjyyskasvatuksen Mittariston -projektia, jossa tutkimuskohteena on peruskoulun ensimmäisen asteen luokan- ja aineenopettajien näkemys ja kokemus yrittäjyyskasvatuksen verkostoyhteistyöstä. Tutkimuksen tarkoituksena oli selvittää miten hyvin opettajat tuntevat verkostoyhteistyötä, mikä on heidän tietämyksensä yrittäjyyskasvatuksesta ja kuinka tämä näkyy heidän työssään ja opetuksessaan. Tutkimuksen otos on 450 opettajaa. Tulokset analysoitiin SPSS-tilastomenetelmäohjelmalla. Tilastollisina tutkimusmenetelminä käytettiin jakaumien frekvenssianalyysiä, Faktori­analyysin Pääkomponenttianalyysiä ja Kaksisuuntaista varianssianalyysia (Anova). Tutkimuksen johtopäätöksenä voidaan todeta, että opettajien tiedot yhteistyö-verkostojen tarjoamista palveluista ovat hyvin hajanaiset. Ongelma jatkuu helposti niin kauan kunnes opettajien koulutusohjelmaan tuodaan lisää yrittäjyyskasvatus- ja yrittäjyysopintoja. Tämä pitäisi huomioida myös tulevissa opetussuunnitelmissa. Tämän tutkimuksen tavoitteena oli tuoda esille Yrittäjyyskasvatuksen mittariston tulosten kautta yrittäjyyskasvatuksen nykytila, tuoda ratkaisuja ehdotusten kautta opetukseen ja herättää keskustelua yrittäjyyskasvatuksen parantamiseksi.

Reconstruction and analysis of surface variation using photometric stereo

In many industrial applications, accurate and fast surface reconstruction is essential for quality control. Variation in surface finishing parameters, such as surface roughness, can reflect defects in a manufacturing process, non-optimal product operational efficiency, and reduced life expectancy of the product. This thesis considers reconstruction and analysis of high-frequency variation, that is roughness, on planar surfaces. Standard roughness measures in industry are calculated from surface topography. A fast and non-contact method to obtain surface topography is to apply photometric stereo in the estimation of surface gradients and to reconstruct the surface by integrating the gradient fields. Alternatively, visual methods, such as statistical measures, fractal dimension and distance transforms, can be used to characterize surface roughness directly from gray-scale images. In this thesis, the accuracy of distance transforms, statistical measures, and fractal dimension are evaluated in the estimation of surface roughness from gray-scale images and topographies. The results are contrasted to standard industry roughness measures. In distance transforms, the key idea is that distance values calculated along a highly varying surface are greater than distances calculated along a smoother surface. Statistical measures and fractal dimension are common surface roughness measures. In the experiments, skewness and variance of brightness distribution, fractal dimension, and distance transforms exhibited strong linear correlations to standard industry roughness measures. One of the key strengths of photometric stereo method is the acquisition of higher frequency variation of surfaces. In this thesis, the reconstruction of planar high-frequency varying surfaces is studied in the presence of imaging noise and blur. Two Wiener filterbased methods are proposed of which one is optimal in the sense of surface power spectral density given the spectral properties of the imaging noise and blur. Experiments show that the proposed methods preserve the inherent high-frequency variation in the reconstructed surfaces, whereas traditional reconstruction methods typically handle incorrect measurements by smoothing, which dampens the high-frequency variation.

Analysis of Satellite Data for Forest Segmentation

In this work we study the classification of forest types using mathematics based image analysis on satellite data. We are interested in improving classification of forest segments when a combination of information from two or more different satellites is used. The experimental part is based on real satellite data originating from Canada. This thesis gives summary of the mathematics basics of the image analysis and supervised learning , methods that are used in the classification algorithm. Three data sets and four feature sets were investigated in this thesis. The considered feature sets were 1) histograms (quantiles) 2) variance 3) skewness and 4) kurtosis. Good overall performances were achieved when a combination of ASTERBAND and RADARSAT2 data sets was used.

Analysis of patterns in mining time series using Qlucore

Raw measurement data does not always immediately convey useful information, but applying mathematical statistical analysis tools into measurement data can improve the situation. Data analysis can offer benefits like acquiring meaningful insight from the dataset, basing critical decisions on the findings, and ruling out human bias through proper statistical treatment. In this thesis we analyze data from an industrial mineral processing plant with the aim of studying the possibility of forecasting the quality of the final product, given by one variable, with a model based on the other variables. For the study mathematical tools like Qlucore Omics Explorer (QOE) and Sparse Bayesian regression (SB) are used. Later on, linear regression is used to build a model based on a subset of variables that seem to have most significant weights in the SB model. The results obtained from QOE show that the variable representing the desired final product does not correlate with other variables. For SB and linear regression, the results show that both SB and linear regression models built on 1-day averaged data seriously underestimate the variance of true data, whereas the two models built on 1-month averaged data are reliable and able to explain a larger proportion of variability in the available data, making them suitable for prediction purposes. However, it is concluded that no single model can fit well the whole available dataset and therefore, it is proposed for future work to make piecewise non linear regression models if the same available dataset is used, or the plant to provide another dataset that should be collected in a more systematic fashion than the present data for further analysis.

Spectral Analysis of Symmetric and Anti-Symmetric Pairwise Kernels

This work investigates theoretical properties of symmetric and anti-symmetric kernels. First chapters give an overview of the theory of kernels used in supervised machine learning. Central focus is on the regularized least squares algorithm, which is motivated as a problem of function reconstruction through an abstract inverse problem. Brief review of reproducing kernel Hilbert spaces shows how kernels define an implicit hypothesis space with multiple equivalent characterizations and how this space may be modified by incorporating prior knowledge. Mathematical results of the abstract inverse problem, in particular spectral properties, pseudoinverse and regularization are recollected and then specialized to kernels. Symmetric and anti-symmetric kernels are applied in relation learning problems which incorporate prior knowledge that the relation is symmetric or anti-symmetric, respectively. Theoretical properties of these kernels are proved in a draft this thesis is based on and comprehensively referenced here. These proofs show that these kernels can be guaranteed to learn only symmetric or anti-symmetric relations, and they can learn any relations relative to the original kernel modified to learn only symmetric or anti-symmetric parts. Further results prove spectral properties of these kernels, central result being a simple inequality for the the trace of the estimator, also called the effective dimension. This quantity is used in learning bounds to guarantee smaller variance.

PERFORMANCE ANALYSIS OF A TACTICAL ASSET ALLOCATION – Evidence from the Black–Litterman model based fixed income portfolio

Over time the demand for quantitative portfolio management has increased among financial institutions but there is still a lack of practical tools. In 2008 EDHEC Risk and Asset Management Research Centre conducted a survey of European investment practices. It revealed that the majority of asset or fund management companies, pension funds and institutional investors do not use more sophisticated models to compensate the flaws of the Markowitz mean-variance portfolio optimization. Furthermore, tactical asset allocation managers employ a variety of methods to estimate return and risk of assets, but also need sophisticated portfolio management models to outperform their benchmarks. Recent development in portfolio management suggests that new innovations are slowly gaining ground, but still need to be studied carefully. This thesis tries to provide a practical tactical asset allocation (TAA) application to the Black–Litterman (B–L) approach and unbiased evaluation of B–L models’ qualities. Mean-variance framework, issues related to asset allocation decisions and return forecasting are examined carefully to uncover issues effecting active portfolio management. European fixed income data is employed in an empirical study that tries to reveal whether a B–L model based TAA portfolio is able outperform its strategic benchmark. The tactical asset allocation utilizes Vector Autoregressive (VAR) model to create return forecasts from lagged values of asset classes as well as economic variables. Sample data (31.12.1999–31.12.2012) is divided into two. In-sample data is used for calibrating a strategic portfolio and the out-of-sample period is for testing the tactical portfolio against the strategic benchmark. Results show that B–L model based tactical asset allocation outperforms the benchmark portfolio in terms of risk-adjusted return and mean excess return. The VAR-model is able to pick up the change in investor sentiment and the B–L model adjusts portfolio weights in a controlled manner. TAA portfolio shows promise especially in moderately shifting allocation to more risky assets while market is turning bullish, but without overweighting investments with high beta. Based on findings in thesis, Black–Litterman model offers a good platform for active asset managers to quantify their views on investments and implement their strategies. B–L model shows potential and offers interesting research avenues. However, success of tactical asset allocation is still highly dependent on the quality of input estimates.