Modulbeschreibung

Die Studierenden

• können Daten in einem industriellen Anwendungsbeispiel erfassen, übertragen und speichern.
• können einen isolierten industriellen Prozess (z.B. repetitives handling eines Roboters) mit mathematischen Modellen abbilden. 
• können die Betriebsdaten zur Erstellung/Verfeinerung des Modells verwenden.
• können mithilfe des Modells Fehlsituation detektieren bzw. vorhersagen.

• MKS Modellierung
• Sensor Fusion
• Systemidentifikation
• Machine Learning Control
• Pattern Classification

Eine der grossen Stärken des Menschen ist seine Fähigkeit Muster zu erkennen und zu klassifizieren. Die Sensordaten welche dazu benutzt werden, werden vor allem von den Augen und Ohren des Menschen geliefert. Seit es digitale Computer gibt, versucht man, diese Fähigkeit auch dem Rechner beizubringen, da sich sehr viele technische Aufgaben, von einem Zutrittssystem bis zu einem Brandmelder, mit einer geschickten Klassifizierung von Mustern lösen lassen. In diesen technischen Anwendungen werden die zu klassifizierenden Signale von den verschiedensten Sensoren geliefert, nicht nur Kameras und Mikrophonen. In diesem Seminar erhalten die Studierenden eine Einführung in die Methoden der modernen digitalen Mustererkennung, welche in den letzten Jahren grosse Fortschritte gemacht hat. Beim erfolgreichen Abschluss dieses Moduls wissen die Studierenden unter welchen Umständen diese Methoden anwendbar sind, welche Methode sich für welches Problem eignet und wie die Methoden funktionieren. Auch die Limitationen der modernen digitalen Mustererkennung und Klassifizierung werden aufgezeigt.

• Introduction
• Bayesian decision Theory
• maximum-likelihood and Bayesian parameter estimation
• nonparametric techniques
• linear discriminant functions
• multilayer neural Networks
• additional chapters, time permitting