(Maschinelles Lernen für die) Multisensorsignalverarbeitung (SS 2025)

Im SS 2025: Vorlesung Montags 10:15 - 11:45, Geb. A5.1, Raum 2.23 (Bibliothek LMT) oder hybrid via MS Teams

Die Vorlesung startet am 14. April (2. Vorlesungswoche)

Für angemeldete Studierende wird die Lehrveranstaltung auch hybrid angeboten. Zudem stehen die Aufzeichnungen der Vorlesungen vom SS 2021 zur Verfügung im Teamsverzeichnis

Zur Anmeldung senden Sie bitte eine Email (vorzugsweise von Ihrem UdS-Studierenden-Account) an Prof. Schütze (Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein.) mit vollständigem Namen, Studiengang, Semester und Matrikelnummer oder melden Sie sich in der Vorlesung an. Sie erhalten dann alle erforderlichen Informationen.

Die Lehrveranstaltung führt ein in die Multisensorsignalverarbeitung, d.h. die Erkennung von Mustern primär mit statistischen Methoden, aber auch mit künstlichen neuronalen Netzen ("Maschinelles Lernen"). Dabei orientiert sie sich an Fragestellungen einerseits aus dem Bereich Gasmesstechnik und andererseits aus dem Condition Monitoring von Maschinen und Anlagen, jeweils mit Bezug zu aktuellen Forschungsprojekten des Lehrstuhls. Begleitet werden die Vorlesungen durch praktische Übungen am Computer, auch zum Kennenlernen der entsprechenden Software-Tools wie DAV³E, sowie durch ein Projektseminar, in dem die Studierenden selbst eine Fragestellung aus dem Spektrum der Vorlesung bearbeiten und ihr Ergebnis präsentieren. Die Computerübung und die Seminarpräsentation stellen jeweils Teilprüfungsleistungen dar, den Abschluss bildet eine kurze mündliche Prüfung.

Terminplan (unverbindlich - Unterlagen werden über Teams bereitgestellt)

Vorlesungen:	Datum:	Inhalt:
Vorlesung 1	14.04.2025	Kap. 1: Einführung, Grundlagen der Signalverarbeitung, Zielsetzung Kap. 2.1: Beispielprojekt Lösungsmittelerkennung
	21.04.2025	Keine Vorlesung (Ostermontag)
Vorlesung 2	28.04.2025	Kap. 2.2: Update 2021: VOC-Quantifizierung für IAQ Weiterführende Literatur: - A. Gramm, A. Schütze: High Performance Solvent Vapor Identification with a Two Sensor Array using Temperature Cycling and Pattern Classification, Sensors & Actuators B 95 (2003) - A. Schütze, A. Gramm, T. Rühl: Identification of Organic Solvents by a Virtual Multisensor System with Hierarchical Classification, IEEE Sensors Journal 4(6) (2004) - P. Reimann, A. Schütze: Sensor Arrays, Virtual Multisensors, Data Fusion, and Gas Sensor Data Evaluation; in: C.-D. Kohl, T. Wagner (eds.): Gas Sensing Fundamentals, Springer Series on Chemical Sensors and Biosensors, Volume 15 2014 Kap. 2.3: Beispielprojekt iCM-Hydraulik Weiterführende Literatur: - A. Schütze, N. Helwig: Sensorik und Messtechnik für die Industrie 4.0; tm - Technisches Messen, 84(3), 198-206, 2017. - A. Schütze, N. Helwig, T. Schneider: Sensors 4.0 – smart sensors and measurement technology enable Industry 4.0; J. Sens. Sens. Syst., 7, 359–371, 2018.
Vorlesung 3	05.05.2025	Kap. 3: Validierungsmethoden Weiterführende Literatur: - S. Youssef et al.: Bewertung subjektiver und automatisierter Merkmalsextraktion periodischer Zeitsignale am Beispiel des 3MA-X8-Verfahrens, tm - Technisches Messen, 86 (5), 267-277, 2019. - P. Goodarzi et al.: Comparison of different ML methods concerning prediction quality, domain adaptation and robustness, tm - Technisches Messen, vol. 89(4), 224-239, doi: 10.1515/teme-2021-0129 Kap. 4: Automatisierte Merkmalsextraktion und -selektion Weiterführende Literatur: - T. Schneider et al.: Industrial condition monitoring with smart sensors using automated feature extraction and selection, Meas. Sci. Technol. 29 (2018) 094002 (15pp).
Vorlesung 4	12.05.2024	Kap. 5: Lineare Multivariate Methoden (PCA, LDA) Weiterführende Literatur: - Aleix M. Martinez, Avinash C. Kak: PCA versus LDA, IEEE Trans. Pattern Analysis and Machine Intelligence, 23(2) (2001), 228-233. Kap. 6: Suppport Vector Machine (SVM)
Computerübung	Nach Vereinbarung	Einführende Übung zur Nutzung von DAV³E und zur Erprobung der grundlegenden Konzepte für Validierung, Merkalsextraktion, -selektion und Dimensionsreduktion
Vorlesung 5	19.05.2025	Kap. 7.1-2: Künstliche Neuronale Netze: Grundlagen und Simulation
Vorlesung 6	26.05.2025	Kap. 7.3-4: Künstliche Neuronale Netze - Backpropagation Algorithmus - Empirische Optimierungen des BackProp Algorithmus
Vorlesung 7	02.06.2025	Kap. 7.5-7: Künstliche Neuronale Netze - Cascade Correlaion: Automatische Optimierung der Netzstruktur - Rekurrente Netzwerke - Anwendungsbeispiel Branderkennung
	09.06.2025	Keine Vorlesung - Pfingstmontag
Vorlesung 8	16.06.2025	Kap. 7.8: Deep learning, convolutional networks etc. Weiterführende Literatur: - Yann LeCun, Yoshua Bengio, and Geoffrey Hinton: "Deep learning," Nature 521.7553 (2015): 436-444 - Yannick Robin et al.: High-Performance VOC Quantification for IAQ Monitoring Using Advanced Sensor Systems and Deep Learning, Atmosphere (2021) 12(11), 1487, DOI 10.3390/atmos12111487 - Payman Goodarzi, Andreas Schütze, and Tizian Schneider: Comparison of different ML methods concerning prediction quality, domain adaptation and robustness (Vergleich verschiedener ML-Methoden bezüglich Vorhersagequalität, Domänenanpassung und Robustheit), tm - Technisches Messen, vol. 89(4), 224-239, doi: 10.1515/teme-2021-0129
Vorlesung 9	23.06.2025	Kap. 8: LVQ und SOM
Vorlesung 10	30.06.2025	Kap. 9: Novelty detection Teil 1: Grundlagen und Algorithmen Primär zum Selbststudium: Teil 2: Applikationsszenarien CM Teil 3: Anwendungsbeispiel Gasmesstechnik Weiterführende Literatur: - T. Schneider et al.: Machine learning in industrial measurement technology for detection of known and unknown faults of equipment and sensors, tm - Technisches Messen (2019), 86 (11), 706–718, doi: 10.1515/teme-2019-0086 - Y. Robin et al.: Machine Learning based calibration time reduction for Gas Sensors in Temperature Cycled Operation, Atmosphere 2022, 13, 1614. doi: 10.3390/atmos13101614 Kap. 10: Zusammenfassung und Ausblick
Vorbereitung Seminarpräsentationen		Abstimmung in Kleingruppen mit zugeordneten Betreuern
Seminarpräsentationen	07.07.2025	Präsentation der Kleingruppen:

Mündliche Prüfung		nach individueller Vereinbarung (Dauer ca. 30 min)