Neural Networks and Pattern Recognition

Die Vorlesung gibt eine Einführung in die statistischen Methoden der Musterklassifikation (statistical pattern recognition) und stellt die Verbindung zu den Konzepten der neuronalen Netze her. In Zusammenhang mit der raschen Ausbreitung der digitalen Signalverarbeitung ergeben sich in zahlreichen Anwendungsbereichen Entscheidungs- und Erkennungsaufgaben, die zweckmäßigerweise mit diesen Methoden angegangen werden.
Folgende Themen, die in einem ausführlichen Skript beschrieben sind, werden im einzelnen behandelt:
- Einführung und Begriffswelt: Merkmale, Klassen, Lernen, Generalisieren
- Statistische Entscheidungstheorie: Bayes Klassifikator, Quadratmittelansatz
- Normalverteilungshypothese: Gebietseinteilung, Parameterschätzung
- Polynomklassifikator: Pseudoinverse, High- Order Neural-Net
- Multilayer Perzeptron: Modell, Error- Backprobagation
- Multi- Referenzen- Klassifikatoren: Nächster- Nachbar Ansatz, Radial- Basis Funktionen
- Clusteranalyse: Kohonen- Feature- Map, Vektorquantisierung
- Praktische Erfahrungen: Zeichenerkennung, Pixelklassifikation