Disputation i Elektronik med Mazhar Hussain
Välkommen till disputation i elektronik med Mazhar Hussain som presenterar och försvarar sin avhandling "Multi-Sensor Data Fusion for Improved Estimation and Prediction of Physical Quantities".
Under de senaste åren har integreringen av data med flera sensorer blivit avgörande inom olika områden, från smarta städer och hälso- och sjukvård till robotik och miljöövervakning. Mazhars forskning utforskar datafusionstekniker - allt från traditionell analys till maskininlärning och djupinlärning, för att förbättra beslutsfattande och prediktiv modellering. Denna avhandling fokuserar på tre fallstudier, bland annat analys av smält glasviskositet, förutsägelse av bränsleförbrukning för stadsbussar och klassificering av farliga gaser.
Välkommen att lyssna när Mazhar Hussain presenterar sitt arbete med multisensordatafusion och dess inverkan på verkliga tillämpningar.
Datum: 3 april 2025
Tid: 10:00 CET
Plats: Campus Sundsvall, sal C306, C-huset, Youtube och Zoom.
Doktorsavhandling: Multi-Sensor Data Fusion for Improved Estimation and Prediction of Physical Quantities
Respondent: Mazhar Hussain
Handledare och ordförande: Professor Jan Lundgren, Mittuniversitetet
Biträdande handledare: Professor Mattias O'Nils, Mittuniversitetet
Opponent: Professor Niclas Björsell, Högskolan i Gävle
Betygsnämnd:
Professor Annalisa Liccardo, Universita Degli Studi di Napoli Federico II, Italien
Professor Fredrik Gustafsson, Linköpings Universitet
Professor Tomas Nordström, Umeå Universitet
Reserv: Docent Göran Thungström, Mittuniversitetet
Sammanfattning
Under de senaste åren har det skett en betydande ökning av multisensordata inom olika områden, från miljöövervakning och industriell automation till smart jordbruk, övervakningssystem, sjukvårdsanalys, robotteknik, fjärranalys, smarta städer och mycket mer. Den grundläggande drivkraften bakom att utnyttja multimodala data är sammanslagningen av kompletterande information som extraheras från olika sensorer, vilket underlättar mer omfattande insikter och informerat beslutsfattande jämfört med att förlita sig på en enda modalitet.
Analysen av multisensordata innebär stora utmaningar på grund av dess enorma omfattning och förekomsten av strukturerade, halvstrukturerade och ostrukturerade data som spänner över olika modaliteter med olika källor, typer och distributioner. Datafusion, integrationen av information från olika modaliteter, blir avgörande för att hantera inferensproblem som uppstår från multisensordata. Både analysbaserade och inlärningsbaserade datafusionsmetoder används i stor utsträckning, och inlärningsbaserade metoder som utnyttjar maskininlärning och djupinlärning har visat sig vara mycket effektiva.
Frågan om ”var” och ”hur” olika modaliteter ska kombineras är dock fortfarande en öppen utmaning. För att undersöka detta fokuserade studien på tre tillämpningar som fallstudier för att använda datafusionsmetoder för att uppskatta och förutsäga fysiska kvantiteter. Dessa tillämpningar omfattar analys av korrelationen mellan förändringen i den geometriska dimensionen hos en fritt fallande smält glaskula och dess viskositet med hjälp av Pearsons korrelationskoefficient som analytisk metod, förutsägelse av stadsbussars bränsleförbrukning med hjälp av maskininlärningsmetoder samt klassificering och mätning av farliga gaser, tex. vätesulfid (H2S) och metylmerkaptan (CH3SH) med hjälp av djupinlärningsmetoder.
Resultaten från dessa fallstudier visar att valet mellan traditionell, maskininlärnings- eller djupinlärningsbaserad datafusion beror på den specifika applikationen samt på datans storlek och kvalitet. Trots detta har framstegen inom datorkraft och djupinlärningsteknik gjort data mer tillgängliga och förbättrat deras komplementaritet. Därför genomförs en omfattande granskning för att jämföra en rad djupinlärningsbaserade datafusionsstrategier. Granskningen innehåller en genomgång av olika metoder för att extrahera funktioner samt en översikt och identifiering av de forskningsområden som kan dra störst nytta av dessa nya metoder.