(Maschinelles Lernen für die) Multisensorsignalverarbeitung (im SS)

Modulbeschreibung

Die Unterlagen zur aktuellen Vorlesung finden Sie unter Lehre --> Downloadbereich.

Dozent: A. Schütze

Umfang: Vorlesung Multisensorsignalverarbeitung und begleitendes Seminar, V2 + S1 = 3SWS, nur im SS, 4 ECTS Punkte,
Sprache: deutsch

Zuordnung zum Curriculum: Modul der Kategorie Erweiterungsbereich, gleichermaßen geeignet für die Vertiefungen Elektrotechnik, Maschinenbau und Mikrosystemtechnik.

Zulassungsvorraussetzungen: Keine formalen Voraussetzungen

Leistungskontrollen / Prüfungen:
• Bearbeitung von praktischen Übungsaufgaben und Präsentation der Ergebnisse
• Mündliche Prüfung
• Bearbeitung eines Themas aus dem Spektrum der Vorlesung und Präsentation im Rahmen eines Seminarvortrags

Modulnote: Endnote wird berechnet aus den Teilnoten Übungsaufgabe, mündliche Prüfung und Seminarvortrag (20:30:50)

Bemerkungen:
Vorlesungsunterlagen (Folien) und Übungen werden begleitend im Internet zum Download bereitgestellt; begleitende praktische Übungen werden z.T. an Hand von Rechnersimulationen (Merkmalsextraktion, Vorverarbeitung, SVM/SVR, LDA/PCA, etc.) durchgeführt. Die Vorlesung ist kombiniert mit einem Seminar, in dem die Teilnehmer eigenständig Teilthemen erarbeiten und präsentieren.

Lernziele/Kompetenzen:

Kennenlernen verschiedener Methoden und Prinzipien für mustererkennende Methoden, insbesondere für die Signalverarbeitung von Multisensorarrays; Bewertung unterschiedlicher Ansätze und Methoden für spezifische Fragestellungen. Eigenständige Erarbeitung von Methoden zur Signalverarbeitung und Darstellung der Vor- und Nachteile an Hand spezifischer Beispiele.

Inhalt:

  • Motivation für Multisensorsysteme;
  • Merkmalsextraktion und Signalvorverarbeitung;
  • Overfitting und Validierungsmethoden:
    • Leave-one-out cross validation (LOOCV),
    • N-fold cross validation,
    • Boot strapping;
  • Statistische Signalverarbeitungsmethoden zur multivariaten Analyse:
    • PCA (principal component analysis),
    • LDA (linear discriminant analysis),
    • Regressionsanalyse (PCR, PLSR, LASSO)
  • Support Vector Machines (SVM) und Support Vector Regression (SVR)
  • Künstliche neuronale Netze ANN (artificial neural networks):
    • Motivation und Aufbau,
    • Lernalgorithmus (backpropagation),
    • Self organizing networks (Kohonen-Karten);
  • Weitere Ansätze, z.B. Fuzzy-Technologien; kombinierte Ansätze;
  • Anwendungsbeispiele zur Mustererkennung, qualitativen und quantitativen Auswertung;
  • Erarbeitung eines individuellen Themas im Rahmen eines Seminarvortrags.


Empfohlene Literatur:

    Literaturhinweise: (alle Bücher können am Lehrstuhl für Messtechnik nach Rücksprache eingesehen werden)
  • begleitendes Material zur Vorlesung (http://www.lmt.uni-saarland.de);
  • R.O. Duda et. al.: “Pattern Classification”, sec. ed., Wiley-Interscience;
  • A. Zell: „Simulation Neuronaler Netze“, R. Oldenbourg Verlag, 2000;
  • T. Kohonen: „Self-Organizing Maps“, Springer Verlag, 2001;
  • F. Höppner et. al.: „Fuzzy-Clusteranalyse“, Vieweg, 1997;
  • H. Ahlers (Hrsg.): „Multisensorikpraxis“, Springer Verlag Berlin, 1997
  • T.C. Pearce, S.S. Schiffman, H.T. Nagle, J.W. Gardner (eds.): „Handbook of Machine Olfaction - Electronic Nose Technology“, WILEY-VCH, 2003.