MENÜ MENÜ  

cover

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.

Keywords:
  • Signal Processing
  • Machine Learning
  • Adapted Filter Banks
  • Support Vector Machines
  • Wavelets

KAUFOPTIONEN

40.50 €
auf Lager
Versandkostenfrei innerhalb Deutschlands


Wollen auch Sie Ihre Dissertation veröffentlichen?