Mazhar Hussain försvarade framgångsrikt sin doktorsavhandling om multisensordatafusion

Mazhars forskning tar sig an en av dagens mest angelägna utmaningar inom datavetenskap – hur man effektivt kan kombinera information från olika sensorer för att förbättra uppskattning och prediktion i verkliga tillämpningar. Hans arbete fördjupar sig i avancerade tekniker för analys och integrering av multimodal data, med särskilt fokus på AI-baserade datafusionsmetoder med hjälp av maskininlärning och djupinlärning.

Som en del av sin avhandling undersökte Mazhar tre olika tillämpningsområden:

• Prediktion av smält glasmassa viskositet genom analys av geometriska förändringar med analysbaserad datafusion,
• Uppskattning av bränsleförbrukning i stadsbussar med hjälp av maskininlärningstekniker,
• Detektion och kvantifiering av farliga gaser såsom vätesulfid (H₂S) och metylmerkaptan (CH₃SH) med djupinlärningsmodeller.

Resultaten visar att valet av datafusionsstrategi – traditionell, maskininlärningsbaserad eller djupinlärningsbaserad – bör styras av datats natur och kvalitet samt den specifika tillämpningskontexten. Hans arbete innehåller även en omfattande översikt av den senaste forskningen inom djupinlärningsbaserade fusionsstrategier, med betoning på deras växande roll inom områden som miljöövervakning, smarta städer, robotik och hälsoanalys.

Prof. Mattias O'Nils, Prof. Jan Lundgren, Prof. Niclas Björsell, Prof. Tomas Nordström, Universitetslektor Göran Thungström, Dr. Mazhar Hussain samt Prof. Annalisa Liccardo deltog via skärm.

Professor Jan Lundgren var huvudhandledare och ordförande, med Professor Mattias O'Nils som biträdande handledare. Opponent var Professor Niclas Björsell från Högskolan i Gävle. Examinationskommittén bestod av Professor Annalisa Liccardo från University of Naples Federico II, Italien, Professor Tomas Nordström från Umeå universitet samt Universitetslektor Göran Thungström från Mittuniversitetet.

Mazhars forskning bidrar med värdefulla insikter i potentialen hos multisensordatafusion för att lösa komplexa verklighetsbaserade problem och stöder fortsatt innovation inom AI och sensorstyrda system.

Läs avhandlingen i Diva