Weighted mutual information for feature selection. - In: Artificial neural networks and machine learning - ICANN 2011, (2011), S. 181-188
http://dx.doi.org/10.1007/978-3-642-21738-8_24
Roboter-gestützte Artikelsuche im Baumarkt : eine Studie zu summativer Evaluation und Nutzerakzeptanz eines mobilen Shopping-Assistenten. - In: Zeitschrift für Evaluation, ISSN 1619-5515, Bd. 10 (2011), 1, S. 99-132
SOFCOM - self-optimising strategy for control of the combustion process. - In: VGB PowerTech, ISSN 1435-3199, Bd. 91 (2011), 3, S. 48-54
Task- and knowledge-driven scene representation : a flexible on-demand system architecture for vision. - Ilmenau : Univ.-Verl. Ilmenau, 2011. - Online-Ressource (PDF-Datei: XII, 172 S., 12,56 MB) : Ilmenau, Techn. Univ., Diss., 2010
Parallel als Druckausg. erschienen
Die Umgebung des Menschen ist voller visueller Details. Diese immense Menge an Information kann, unter der Annahme von begrenzten Verarbeitungs- und Speicherresourcen, nur teilweise aufgenommen und gespeichert werden. Daraus ergibt sich die Notwendigkeit einer selektiven Verarbeitung, die, je nach Aufgabenstellung, zu einer unterschiedlichen Repräsentation der visuellen Szene führt. Psychophysische Experimente zeigen, dass dabei die erfasste Umgebung nicht nur örtlich, sondern auch im Merkmalsraum selektiv bearbeitet wird, dass heißt es wird nur die visuelle Information aufgenommen, die für das Lösen der jeweiligen Aufgabe erforderlich ist. Im Rahmen dieser Arbeit werden eine flexible Systemarchitektur und eine Kontrollstruktur zur aufgabenbezogenen Szenenrepräsentation vorgestellt. Im Gegensatz zu existierenden Arbeiten ermöglicht dieser Ansatz eine selektive Informationsaufnahme. Die vorgeschlagene Architektur enthält neben einem Lang- und Kurzzeitgedächtnis sowie einer Aufmerksamkeitskarte auch mehrere Verarbeitungsmodule zur Merkmalsextraktion. Diese Verarbeitungsmodule sind spezialisiert auf die Extraktion eines Merkmals und arbeiten unabhängig voneinander. Sie können jedoch je nach Aufgabenstellung dynamisch miteinander gekoppelt werden um gezielt die benötigte Information aus der Szene zu extrahieren. Die Entscheidung, welche Information benötigt wird und welche Module zur Extraktion dieser Merkmale gekoppelt werden müssen, trifft die im Rahmen der Arbeit entwickelte Kontrollstruktur, welche das gespeicherte Wissen des Systems und die gestellte Aufgabe berücksichtigt. Weiterhin stellt die Kontrollstruktur sicher, dass algorithmische Abhängigkeiten zwischen den Verarbeitungsmodulen unter Zuhilfenahme von systemimmanentem Prozesswissen automatisch aufgelöst werden. Die hier vorgestellte Systemarchitektur und die ebenfalls vorgeschlagene Kontrollstruktur werden experimentell anhand einer realen Tischszene evaluiert. Bei den durchgeführten Experimenten zeigt sich, dass bei Lösung einer gestellten Aufgabe die Menge der vom System verarbeiteten und gespeicherten Informationen deutlich reduziert wird. In der Folge werden die Anforderungen an die Verarbeitungs- und Speicherressourcen ebenfalls deutlich reduziert. Diese Arbeit leistet damit einen Beitrag zur aufgabenbezogenen Repräsentation von visuellen Szenen, da nur noch die Information verarbeitet und gespeichert wird, die tatsächlich zur Lösung der Aufgabe erforderlich ist.
http://www.db-thueringen.de/servlets/DocumentServlet?id=17184
The Markov decision process extraction network. - In: Proceedings, ISBN 978-2-930307-10-7, (2010), S. 7-12
Long short-term memory training for the assessment of vigilance. - In: Biomedical engineering, ISSN 1862-278X, Bd. 55.2010, Suppl. 1, E, S. 122-125
https://doi.org/10.1515/BMT.2010.705
Uncertainty propagation for efficient exploration in reinforcement learning. - In: Proceedings, (2010), S. 361-366
Reinforcement learning aims to derive an optimal policy for an often initially unknown environment. In the case of an unknown environment, exploration is used to acquire knowledge about it. In that context the well-known exploration-exploitation dilemma arises - when should one stop to explore and instead exploit the knowledge already gathered? In this paper we propose an uncertainty-based exploration method. We use uncertainty propagation to obtain the Q-functions uncertainty and then use the uncertainty in combination with the Q-values to guide the exploration to promising states that so far have been insufficiently explored. The uncertaintys weight during action selection can be influenced by a parameter.We evaluate one variant of the algorithm using full covariance matrices and two variants using an approximation and demonstrate their functionality on two benchmark problems.
Ensembles of neural networks for robust reinforcement learning. - In: Ninth International Conference on Machine Learning and Applications (ICMLA), 2010, ISBN 978-1-4244-9211-4, (2010), S. 401-406
http://dx.doi.org/10.1109/ICMLA.2010.66
On estimating mutual information for feature selection/ Erik Schaffernicht; Robert Kaltenhäuser; Saurabh Shekhar Verma, and Horst-Michael Groß. - In: Artificial neural networks - ICANN 2010, ISBN 978-3-642-15819-3, (2010), S. 362-367, insges. 6 S.
http://dx.doi.org/10.1007/978-3-642-15819-3_48
Resolving stereo matching errors due to repetitive structures using model information. - In: Pattern recognition letters, ISSN 0167-8655, Bd. 31 (2010), 12, S. 1683-1692
http://dx.doi.org/10.1016/j.patrec.2010.05.020