|
Dipl.-Ing. Jan Matti Lange
|
Forschungsinteressen und Arbeitsgebiete
Statistische Mustererkennung:
Die Theorie der statistischen Mustererkennung bildet die Grundlage für eine Reihe von in der Gruppe durchgeführten Arbeiten zur Objekterkennung bzw. -identifikation. Das Ziel besteht allgemein in der Konstruktion eines Klassifikators auf der Basis von a priori Wissen und einer Stichprobe von Merkmalen (Input) und den dazugehörigen Klassenzuordnungen (Outputs). Der Klassifikator soll dann, auch für Muster, die nicht in der Stichprobe enthalten sind, die korrekte Klassenzuordnung treffen. Grundsätzlich besteht die Aufgabe immer in der Schätzung der zugrundeliegenden bedingten Dichtefunktionen der Merkmale und deren Kombination mit einer Entscheidungsfunktion. Das dabei mit einer falschen Entscheidung verbundene Risiko soll minimiert werden. Welches Verfahren jeweils zum Einsatz kommt (parametrische Schätzung, nichtparametrische Schätzung, neuronale Netze, Fuzzy Klassifikatoren etc) bzw. wie es modifiziert werden muß hängt davon ab, was a priori über den Zusammenhang zwischen Merkmalen und Klassenzuordnung als bekannt angenommen werden kann (a priori Wissen).
Neuronale Netze:
Wir verwenden künstliche neuronale Netze für die Lösung verschiedener Klassifikations- und Approximationsaufgaben so zum Beispiel zur Klassifikation von Objekten in einer Sortieranlage für Verpackungsmüll durch ein Intelligentes Inspektionssystem. Ein Schwerpunkt meiner Arbeit liegt auf der Entwicklung und Untersuchung von Wachstumsalgorithmen zur automatischen Strukturierung neuronaler Netze. Ziel ist es, nicht nur die Gewichte des Netzes sondern auch dessen Struktur in einem Wachstumsprozeß aus Trainingsdaten zu "erlernen". Im Rahmen des REFLEX Projektes entstand daraus das TACOMA Verfahren.
Bildverarbeitung:
Die Anwendung von Verfahren der statistischen Mustererkennung auf Bilddaten ist ein Schwerpunkt der Applikationen. Eine wesentliche Rolle spielen dabei neben klassischen Bildverarbeitungsmethoden die Entwicklung neuartiger Operatoren zur Bildvorverarbeitung sowie adaptiven Merkmalsextraktion und Datenreduktion.
Parallelverarbeitung:
Die Verfahren zur statistischen Mustererkennung, adaptiven Merkmalsextraktion und Optimierung weisen oft eine hohe numerische Komplexität auf. Demgegenüber stehen bei Applikationen Anforderungen nach Echtzeitfähigkeit bzw. schneller Systemadaption. Die parallele Implementierung der Verfahren bildet deshalb einen weiteren Schwerpunkt meiner Tätigkeit.
Kurzbiographie
- seit 1992 wissenschaftlicher Mitarbeiter an der GFaI
- Gastforscher am International Computer Science Institute Berkeley (Feb. - April 1996)
- 1991-1992 Entwicklungsingenieur, Siemens AG
- 1987 - 1991 Studium an der Ingenieurhochschule Mittweida, Diplomingenieur für Informationstechnik, Diplomarbeit zum Einsatz von neuronalen Netzen in Spracherkennungssystemen an der Akademie der Wissenschaften der DDR
Ausgewählte Veröffentlichungen
- J. M. Lange, H.-M. Voigt, D. Wolf. Task Decomposition and Correlations in Growing Artificial Neural Networks. In M. Mariano, P. G. Morasso, ed. Proceedings of the International Conference on Artificial Neural Networks 94', Sorrento, pages 735-738,Springer, 1994
- J. M. Lange, H.-M. Voigt, D. Wolf. Growing Artificial Neural Networks Based on Correlation Measures, Task Decomposition and Local Attention Neurons. In Proceedings of the IEEE International Conference on Neural Networks 1994 as Part of the IEEE World Congress on Computational Intelligence, Orlando, pages 1355-1358, vol 2, IEEE Press, 1994
- J. M. Lange, H.-M. Voigt, D. Wolf. The TACOMA learning architecture for reflective growing of neural networks In IEE Colloquium on Advances in Neural Networks for Control and Systems, Daimler-Benz AG, Berlin 1994, IEE Digest 94/136, pages 2/1-2/2, The Institution of Electrical Engineers, London, 1994
- H. Paetsch, J. M. Lange. Parallelisierung des TACOMA-Wachstumsalgorithmus fur Neuronale Netze. In Kurzvortrage des 6. Parallelrechner-Anwender-Treffens TAT'94, Institut fur Physiologie der RWTH Aachen, 1994
- J. M. Lange. Cyclical Local Structural Risk Minimization with Growing Neural Networks. Technical Report TR-96-015, International Computer Science Institute, Berkeley, CA, April 1996
- J. M. Lange. Forschungsaufenthalt am International Computer Science Institut. Kurzbericht, Gesellschaft zur Foerderung angewandter Informatik Berlin, Juni 1996
- J. M. Lange, H.-M. Voigt. Application of Evolutionary and Growth Algorithms in Waste Sorting. In Proceedings of the 5th European Congress on Intelligent Techniques and Soft Computing (EUFIT'97) , Volume 1, pages 709-712, ELITE-European Laboratory for Intelligent Techniques Engineering. Prof. Dr. Dr. h.c. Hans-Jürgen Zimmermann (Eds.).-Aachen:Mainz, 1997
Weitere Publikationen finden Sie auf der ASMPR Publikationen Seite
© GFaI 1994-2005 Kontakt: Dr. H.-M. Voigt
