Technische Universität Ilmenau

Fundamental of the pattern and signal recognition - Modultafeln of TU Ilmenau

The Module Catalogue have a pure informational character. If you find information that seems to be incorrect, please contact modulkatalog@tu-ilmenau.de.

The legally binding information can be found in the corresponding curriculum and "Modulhandbuch", which are served on the pages of the course offers.
Information on the time and location of planned courses can be found in the e-calendar of events.

module properties Fundamental of the pattern and signal recognition in major Bachelor Informatik 2013
module number100266
examination number2100414
departmentDepartment of Electrical Engineering and Information Technology
ID of group 2116 (Group for Fundamentals of Electrical Engineering)
module leader Dr. Sylvia Bräunig
term summer term only
languageDeutsch
credit points5
on-campus program (h)45
self-study (h)105
Obligationelective module
examoral examination performance, 45 minutes
details of the certificate

mündliche Prüfung (45 Minuten)

Signup details for alternative examinations
maximum number of participants
previous knowledge and experience
learning outcome

Die Studierenden kennen die wesentlichen Grundlagen, Theorien und Methoden der Signalanalyse, Mustererkennung und des Maschinellen Lernens sowohl für determinierte als auch für stochastische Signale und Prozesse. Sie sind mit, bei der praktischen Umsetzung auftretenden Fragen und Problemen, der Merkmalsextraktion, der Clusterbildung, der Klassifikation und der Optimierung des Klassifikationssystems vertraut und in der Lage, die vermittelten Methoden und Erkenntnisse auf praxisrelevante Aufgabenstellungen anzuwenden.

content

- Prinzipien, Begriffe und Beispiele der Signalanalyse, der Mustererkennung und des Maschinellen Lernens

- Grundlagen der Wahrscheinlichkeitstheorie (Wiederholung)

- Grundlagen und Methoden zu Kennfunktionen, Kennwerten (Merkmalen) und Kennwertextraktion

  • Bestimmung von Kennfunktionen und Kennwerten mittels Orthogonaltransformationen,
  • Zeit-Frequenz-Repräsentationen und
  • wahrscheinlichkeitstheoretischer Ansätze.

- Methoden des Machinellen Lernens zur Klassifikation und Trendanalyse/Prozessüberwachung (unüberwachte und überwachte Verfahren):

  • Grundbegriffe, statistische Klassifikatoren (Bayes), geometrische Klassifikatoren (NNK, MSK), Diskriminanzanalyse, Support Vector Machine
  • Einbeziehung von Kosten/Verlusten, Rückweisung und verschiedenen Distanzmaßen
  • Neuronale Netze (Grundlagen, Historisches, Kohonen-Feature-Map, Backpropagation-Netz, Convolutional Neural Network u.a.)
  • Fuzzy-Theorie (Grundbegriffe, Fuzzy-Mengen, Relationen, Approximatives Schließen, Anwendungen in der Mustererkennung)

- Klassifikatorbewertung und Optimierung von Mustererkennungssystemen (Merkmalsreduktion und –transformation, Dimensionsreduktion, z.B. PCA)

- Anwendungsbeispiele aus den Bereichen aktueller Forschungthemen, z.B. akustische Daten- und Prozessanalyse, Sprachverarbeitung, Bildverarbeitung, Werkstoffprüfung werden herangezogen

media of instruction

Handschriftliche Entwicklung der analytischen Zusammenhänge untersetzt mit Abbildung und Animationen (PowerPoint) und

Simulationen (interaktive Mathematica-Dokumente)

literature / references

Arbeitsblätter, multimediale Präsentation, Mathematica-Notebooks

Duda, R.; u.a. : Pattern Classification, Wiley

Theodoridis, S.; u.a.: Pattern Recognition, Elsevier

Niemann, Heinrich: Klassifikation von Mustern, Springer

evaluation of teaching

Pflichtevaluation:

SS 2016 (Fach)

Freiwillige Evaluation:

 

Hospitation:

SS 2016