Opportunities for improvements in flocking models

Flocking is the capacity of coherent movement between multiple animals, including birds. Prominent research into flocking is presented. Particle Swarm Optimisation (PSO) has been the prominent result from research into flocking. It is considered that opportunities for further research in flocking exist. With the potential for automated traffic systems, it is concluded that flocking should be reinvestigated for this purpose.

A tunable radial basis function model for nonlinear system identification using particle swarm optimisation

A tunable radial basis function (RBF) network model is proposed for nonlinear system identification using particle swarm optimisation (PSO). At each stage of orthogonal forward regression (OFR) model construction, PSO optimises one RBF unit's centre vector and diagonal covariance matrix by minimising the leave-one-out (LOO) mean square error (MSE). This PSO aided OFR automatically determines how many tunable RBF nodes are sufficient for modelling. Compared with the-state-of-the-art local regularisation assisted orthogonal least squares algorithm based on the LOO MSE criterion for constructing fixed-node RBF network models, the PSO tuned RBF model construction produces more parsimonious RBF models with better generalisation performance and is computationally more efficient.

Nonlinear system identification using particle swarm optimisation tuned radial basis function models

A novel particle swarm optimisation (PSO) tuned radial basis function (RBF) network model is proposed for identification of non-linear systems. At each stage of orthogonal forward regression (OFR) model construction process, PSO is adopted to tune one RBF unit's centre vector and diagonal covariance matrix by minimising the leave-one-out (LOO) mean square error (MSE). This PSO aided OFR automatically determines how many tunable RBF nodes are sufficient for modelling. Compared with the-state-of-the-art local regularisation assisted orthogonal least squares algorithm based on the LOO MSE criterion for constructing fixed-node RBF network models, the PSO tuned RBF model construction produces more parsimonious RBF models with better generalisation performance and is often more efficient in model construction. The effectiveness of the proposed PSO aided OFR algorithm for constructing tunable node RBF models is demonstrated using three real data sets.

Particle swarm optimization aided orthogonal forward regression for unified data modeling

We propose a unified data modeling approach that is equally applicable to supervised regression and classification applications, as well as to unsupervised probability density function estimation. A particle swarm optimization (PSO) aided orthogonal forward regression (OFR) algorithm based on leave-one-out (LOO) criteria is developed to construct parsimonious radial basis function (RBF) networks with tunable nodes. Each stage of the construction process determines the center vector and diagonal covariance matrix of one RBF node by minimizing the LOO statistics. For regression applications, the LOO criterion is chosen to be the LOO mean square error, while the LOO misclassification rate is adopted in two-class classification applications. By adopting the Parzen window estimate as the desired response, the unsupervised density estimation problem is transformed into a constrained regression problem. This PSO aided OFR algorithm for tunable-node RBF networks is capable of constructing very parsimonious RBF models that generalize well, and our analysis and experimental results demonstrate that the algorithm is computationally even simpler than the efficient regularization assisted orthogonal least square algorithm based on LOO criteria for selecting fixed-node RBF models. Another significant advantage of the proposed learning procedure is that it does not have learning hyperparameters that have to be tuned using costly cross validation. The effectiveness of the proposed PSO aided OFR construction procedure is illustrated using several examples taken from regression and classification, as well as density estimation applications.

Radial basis function classifier construction using particle swarm optimisation aided orthogonal forward regression

We develop a particle swarm optimisation (PSO) aided orthogonal forward regression (OFR) approach for constructing radial basis function (RBF) classifiers with tunable nodes. At each stage of the OFR construction process, the centre vector and diagonal covariance matrix of one RBF node is determined efficiently by minimising the leave-one-out (LOO) misclassification rate (MR) using a PSO algorithm. Compared with the state-of-the-art regularisation assisted orthogonal least square algorithm based on the LOO MR for selecting fixednode RBF classifiers, the proposed PSO aided OFR algorithm for constructing tunable-node RBF classifiers offers significant advantages in terms of better generalisation performance and smaller model size as well as imposes lower computational complexity in classifier construction process. Moreover, the proposed algorithm does not have any hyperparameter that requires costly tuning based on cross validation.

Prediction of Parkinson’s Disease tremor onset using a radial basis function neural network based on particle swarm optimization

Deep Brain Stimulation (DBS) has been successfully used throughout the world for the treatment of Parkinson's disease symptoms. To control abnormal spontaneous electrical activity in target brain areas DBS utilizes a continuous stimulation signal. This continuous power draw means that its implanted battery power source needs to be replaced every 18–24 months. To prolong the life span of the battery, a technique to accurately recognize and predict the onset of the Parkinson's disease tremors in human subjects and thus implement an on-demand stimulator is discussed here. The approach is to use a radial basis function neural network (RBFNN) based on particle swarm optimization (PSO) and principal component analysis (PCA) with Local Field Potential (LFP) data recorded via the stimulation electrodes to predict activity related to tremor onset. To test this approach, LFPs from the subthalamic nucleus (STN) obtained through deep brain electrodes implanted in a Parkinson patient are used to train the network. To validate the network's performance, electromyographic (EMG) signals from the patient's forearm are recorded in parallel with the LFPs to accurately determine occurrences of tremor, and these are compared to the performance of the network. It has been found that detection accuracies of up to 89% are possible. Performance comparisons have also been made between a conventional RBFNN and an RBFNN based on PSO which show a marginal decrease in performance but with notable reduction in computational overhead.

Adaptive modelling with tunable RBF network using multi-innovation RLS algorithm assisted by swarm intelligence

In this paper, we propose a new on-line learning algorithm for the non-linear system identification: the swarm intelligence aided multi-innovation recursive least squares (SI-MRLS) algorithm. The SI-MRLS algorithm applies the particle swarm optimization (PSO) to construct a flexible radial basis function (RBF) model so that both the model structure and output weights can be adapted. By replacing an insignificant RBF node with a new one based on the increment of error variance criterion at every iteration, the model remains at a limited size. The multi-innovation RLS algorithm is used to update the RBF output weights which are known to have better accuracy than the classic RLS. The proposed method can produces a parsimonious model with good performance. Simulation result are also shown to verify the SI-MRLS algorithm.

The system identification and control of Hammerstein system using non-uniform rational B-spline neural network and particle swarm optimization

In this paper a new system identification algorithm is introduced for Hammerstein systems based on observational input/output data. The nonlinear static function in the Hammerstein system is modelled using a non-uniform rational B-spline (NURB) neural network. The proposed system identification algorithm for this NURB network based Hammerstein system consists of two successive stages. First the shaping parameters in NURB network are estimated using a particle swarm optimization (PSO) procedure. Then the remaining parameters are estimated by the method of the singular value decomposition (SVD). Numerical examples including a model based controller are utilized to demonstrate the efficacy of the proposed approach. The controller consists of computing the inverse of the nonlinear static function approximated by NURB network, followed by a linear pole assignment controller.

An elastic net orthogonal forward regression algorithm

In this paper we propose an efficient two-level model identification method for a large class of linear-in-the-parameters models from the observational data. A new elastic net orthogonal forward regression (ENOFR) algorithm is employed at the lower level to carry out simultaneous model selection and elastic net parameter estimation. The two regularization parameters in the elastic net are optimized using a particle swarm optimization (PSO) algorithm at the upper level by minimizing the leave one out (LOO) mean square error (LOOMSE). Illustrative examples are included to demonstrate the effectiveness of the new approaches.

Elastic net orthogonal forward regression

An efficient two-level model identification method aiming at maximising a model׳s generalisation capability is proposed for a large class of linear-in-the-parameters models from the observational data. A new elastic net orthogonal forward regression (ENOFR) algorithm is employed at the lower level to carry out simultaneous model selection and elastic net parameter estimation. The two regularisation parameters in the elastic net are optimised using a particle swarm optimisation (PSO) algorithm at the upper level by minimising the leave one out (LOO) mean square error (LOOMSE). There are two elements of original contributions. Firstly an elastic net cost function is defined and applied based on orthogonal decomposition, which facilitates the automatic model structure selection process with no need of using a predetermined error tolerance to terminate the forward selection process. Secondly it is shown that the LOOMSE based on the resultant ENOFR models can be analytically computed without actually splitting the data set, and the associate computation cost is small due to the ENOFR procedure. Consequently a fully automated procedure is achieved without resort to any other validation data set for iterative model evaluation. Illustrative examples are included to demonstrate the effectiveness of the new approaches.

Efficiency of evolutionary algorithms in water network pipe sizing

The pipe sizing of water networks via evolutionary algorithms is of great interest because it allows the selection of alternative economical solutions that meet a set of design requirements. However, available evolutionary methods are numerous, and methodologies to compare the performance of these methods beyond obtaining a minimal solution for a given problem are currently lacking. A methodology to compare algorithms based on an efficiency rate (E) is presented here and applied to the pipe-sizing problem of four medium-sized benchmark networks (Hanoi, New York Tunnel, GoYang and R-9 Joao Pessoa). E numerically determines the performance of a given algorithm while also considering the quality of the obtained solution and the required computational effort. From the wide range of available evolutionary algorithms, four algorithms were selected to implement the methodology: a PseudoGenetic Algorithm (PGA), Particle Swarm Optimization (PSO), a Harmony Search and a modified Shuffled Frog Leaping Algorithm (SFLA). After more than 500,000 simulations, a statistical analysis was performed based on the specific parameters each algorithm requires to operate, and finally, E was analyzed for each network and algorithm. The efficiency measure indicated that PGA is the most efficient algorithm for problems of greater complexity and that HS is the most efficient algorithm for less complex problems. However, the main contribution of this work is that the proposed efficiency ratio provides a neutral strategy to compare optimization algorithms and may be useful in the future to select the most appropriate algorithm for different types of optimization problems.

Genus i historieundervisningen : Problem och möjligheter ur ett gymnasielärarperspektiv

Syftet med den här uppsatsen har varit, dels att undersöka ett antal historielärares förståelse av och attityd till användandet av begreppet genus i historieundervisningen på gymnasiet, dels att analysera vad jämställdhetsmålen i gymnasieskolans styrdokument egentligen säger om be-greppet genus och om detta bör tolkas som ett direktiv att implementera genus i historieun-dervisningen. Undersökningen genomfördes i två steg. Gymnasieskolans styrdokument; skollagen, lä-roplanen för de frivilliga skolformerna samt ämnesbeskrivning och kursplaner för historia A, B och C, närlästes och analyserades utifrån en genusteoretisk grund. Därefter intervjuades sex utvalda gymnasielärare i historia kring begreppet genus i teori och praktik. Resultatet analyse-rades och kategoriserades därefter så att lärarnas genusmedvetenhet och attityd till användan-de av genus i historieundervisningen gick att identifiera.Styrdokumentsgranskningen visade att styrdokumenten idag inte säger någonting expli-cit om användandet av ett genusperspektiv i historieundervisningen men att skollagens och läroplanens jämställdhetsdirektiv vilar på en genusteoretisk grund och därmed indirekt kräver ett genusperspektiv i den konkreta undervisningen. Dokumentens formuleringar kräver en god kunskap kring begreppen jämställdhet och genus för att kunna förstås. Utan den kunskapen riskerar avsaknaden av ett explicit uttalat genusbegrepp att legitimera en historieundervisning utan genusperspektiv.Intervjuresultatet visade att genusmedvetenheten bland de utvalda lärarna var låg och att förekomsten av ett genusperspektiv i den egna undervisningen avgjordes av lärarens eget in-tresse för frågan. Attityden till användandet av ett genusperspektiv i historieundervisningen på gymnasiet kunde hos de flesta tolkas som positiv i teorin men i praktiken omgärdad av en rad förhindrande omständigheter såsom omedvetenhet, tids- och utrymmesbrist, metodbrist och historiedidaktiskt förhållningssätt.

Flexibelt lärande? : En intervjustudie med lärare och rektorer angående deras uppfattningar, möjliggöranden och förverkliganden av flexibelt lärande samt dess påverkan på elevers lärande

Syftet med detta examensarbete är att undersöka hur lärare och rektorer på ett specifikt utbildningscentrum uppfattar, möjliggör och förverkligar flexibelt lärande samt få deras insikt i vad flexibelt lärande bidrar till när det gäller elevers lärande. För att uppnå syftet med denna undersökning har följande frågeställnings ställts: Hur uppfattas flexibelt lärande av lärare och rektorer, vad uppfattar rektorer och lärare som positivt samt negativt med flexibelt lärande, hur möjliggörs och förverkligas utbildningscentrumets vision om flexibelt lärande av lärare och rektorer samt hur ser lärare och rektorer på det flexibla lärandets funktion när det gäller elevers lärande?Det använda källmaterialet består av intervjuer gjorda med 2 rektorer och 4 lärare som arbetar med flexibelt lärande på ungdomsgymnasiet och vuxenutbildning på ett utbildningscentrum i mellersta Sverige. Resultaten visar på att den generella uppfattningen om flexibelt lärande hos rektorerna och lärarna är positiv. Man kan se utifrån intervjuerna att de positiva sakerna med flexibelt lärande ofta cirkulerar kring relationen mellan lärare och eleven, medan de negativa sakerna ofta berör mer praktiska saker som angår både lärare och elev. Möjliggörandet och förverkligandet kan man säga består till största del att tillgodose elevers önskemål och behov. Detta innebär att man inte begränsar sig på något sätt, eleverna erbjuds alla möjligheter till studier. Utifrån intervjuerna kan man dra slutsatsen att flexibelt lärande bidrar till elevers lärande på ett sådant sätt att kunskapen fördjupas och eleverna får en annan förståelse för den kunskap som dom skapar. Den problematik vi kan se när det gäller det flexibla lärandet utifrån intervjuerna är att det saknas en allmän rådande definition av begreppet flexibelt lärande och att den socialkonstruktivistiska teorin inte är tillräckligt förankrad. Detta är nödvändigt för att projektet Flexibelt lärande ska lyckas.

10 gymnasisters uppfattning om svininfluensan : - En kvalitativ studie om medias påverkan på hur elever kan uppfatta ett nyhetsinslag

Uppsatsens syfte är att undersöka medias påverkan på tio gymnasisters uppfattning om svininfluensan. De frågor som jag har valt att använda mig för att uppnå syftet är hur media kan påverka elevernas synsätt på svininfluensan och på vilka sätt kan eleverna uppfatta svininfluensan. För att kunna förstå hur media påverkar sin publik och hur publiken uppfattar en händelse har jag använt mig av teorin om sociala representationer. Media är en betydande faktor för skapandet av sociala representationer hos individen när det gäller hur en individ ska ta ställning till en händelse. Genom kvalitativa intervjuer har jag undersökt hur tio gymnasieelever uppfattar svininfluensan. Eleverna fick se ett nyhetsinslag som handlade om svininfluensan varefter intervjuerna genomförds.Undersökningens resultat visar på att media har en stor betydelse för hur eleverna kan uppfatta svininfluensan. Orsaken till detta är medias stora betydelse för skapandet av sociala representationer.

Perspektiv på HR-arbete vid nedskärningar : - en studie om effekter och handlingar, utifrån tre perspektiv, för den fortsatta överlevnaden

Studien ämnar till att skapa en profil för tre olika empirinära perspektiv, vilka alla spelar en roll före, under och efter en nedskärningsprocess. Dessa tre perspektiv är: ledningsperspektivet, perspektivet för kvarvarande anställda och uppsagda arbetare. Författaren lägger tyngd på den tidigare vetenskapliga forskningen som får agera likt en mall för hur en optimal hantering ska ske under en nedskärningsprocess. Syftet med studien är att detektera bristande överrensstämmelser mellan perspektiven som förhindrar att hanteringen blir optimal för alla parter, samt kunna se om teorin används i det praktiska utövandet.Ledarskapsperspektivet är representerat i två underkategorier: sekundärintervjuer och expertintervjuer. I sekundärintervjuerna så presenteras svar från auktoriteter inom området som förmedlar den erfarenhetsbaserade kunskapen; medan i expertintervjuerna presenteras svar från fyra olika, representerade, företag inom olika branscher i Borlänge. Perspektivet för kvarvarande anställda representeras av en enkätundersökning och en djupare intervju med en kvarvarande anställd. Det tredje empirinära perspektivet, för uppsagda arbetare, representeras av en enkätundersökning och en djupare intervju med en uppsagd arbetare.I resultatet så visar det sig att författaren har kunnat detektera bristande överrensstämmelser på flera punkter, främst inom den uppfattade kommunikationen, mellan perspektiven. Detta tolkas som att de framlagda teorierna inte följs av praktiken och därför råder det ingen optimal situation för något av de representerade perspektiven.