Adapted Filter Banks and Support Vector Architectures: Hybrid Approaches to Machine Learning
Daniel J. Strauß
ISBN 978-3-89722-906-8
180 Seiten, Erscheinungsjahr: 2002
Preis: 40.50 €
Der erste Teil befaßt sich mit der optimalen Darstellung von Wellenformen für Lernmaschinen. Verschiedene neue Verfahren werden vorgeschlagen, die Waveletzerlegungen
mittels dem Signal angepaßter Filterbänke auf Basis der Kreuzgliedstruktur und Klassenseparabilitätskriterien nutzen - eine Technik die bisher in der Mustererkennung
noch keine Anwendung fand. Insbesondere wird folgendes vorgestellt: Die Konstruktion von morphologischen lokalen Basen bezüglich einer Merkmalsunterscheidung zur
Dimensionsreduktion, die Anpassung von Wavelets und Wavelet-Paketen zur Extraktion von Skalen-Konzentrationen im Hinblick auf eine Klassifikation mit harten
Schwellwerten und neuronalen Netzen, sowie hybride Wavelet-Support Vektor Klassifikatoren, welche die Einbeziehung von a priori Information Über lokale Instabilität in
Zeit oder Raum und Verschiebungsvarianz gestatten. In diesem Zusammenhang werden erstmals radiale Basisfunktionen mit kompaktem Träger als Kerne für Support Vektor
Maschinen untersucht. Die entwickelten Verfahren finden ihre Anwendung in aktuellen Fragestellungen der medizinischen Diagnostik und sind teilweise spezifiziert für
diesen Bereich. Ihre Überlegenheit gegenüber konventionellen Techniken wird anhand von klinischen Daten demonstriert, insbesondere Wellenformen aus der
Elektrokardiologie und Audiologie.
Der zweite Teil dieser Arbeit befaßt sich mit dem inversen Problem der Parameterdetektion von Dünnschichtfilmen anhand ihrer Röntgenreflektometriekurve. Die Auswertung
derartiger Kurven basiert derzeit nahezu ausschließlich auf Expertenwissen und gestattet keine ausreichende Automatisierung. Zur Lösung dieses Problems wird eine neue
Methode vorgestellt, die auf der 'sparse approximation' einer multivariaten vektorwertigen Funktion basiert und die Reflektometriekurven direkt auf dem Raum der
Dünnfilmparametern abbildet. Dieser neuartige Ansatz bedient sich einer erweiterten Version der optischen Matrixmethode sowie parallelisierten Support Vektor Maschinen
und ermöglicht die volle Automatisierung des Detektionsproblems. Die Leistungsfähigkeit dieser Methode wird anhand von simulierten und realen Daten verifiziert.