Lernen mit unsicheren Lehrersignalen in neuronalen Mehrklassifikatorsystemen

点击翻译按钮获取中文摘要

Methoden zum Lernen in künstlichen neuronalen Netzen mit unsicheren Lehrersignalen sollen erforscht und entwickelt werden. Entstehung, Repräsentation und Interpretation unsicherer Lehrersignalen und Klassifikatorausgaben sind hierbei die zentralen Forschungsfragen. In Mehrklassifikatorsystemen haben unsichere Klassifikatorausgaben hinsichtlich ihrer Fusionierung zu finalen Entscheidungen wesentlichen Einfluss auf die Performanz des Gesamtsystems. Ein weiterer sehr wichtiger Aspekt dieses Forschungsprojektes ist die Entwicklung und Evaluation von kombinierten überwachten und unüberwachten Lernverfahren, so dass die Nutzung von nur teilweise gelabelten Trainingsdaten möglich ist. Dieser Ansatz ist für viele Anwendungsfelder von Bedeutung, beispielsweise bei der Sprachverarbeitung, der Objekterkennung in der Robotik oder in der medizinischen Diagnostik. Für die Evaluation und praktische Anwendung unserer entwickelten Methoden haben wir die Erkennung von Emotionen aus gesprochener Sprache ausgewählt. Unsicherheitskalküle, wie die Fuzzy-Methoden, Wahrscheinlichkeits- oder Dempster-Shafer-Theorie, bilden den theoretischen Rahmen für das Lernen mit ungelabelten und/oder unsicheren Trainingsdaten, sowie für die Entwicklung und theoretische Analyse von Fusionsabbildungen in Mehrklassifikatorsystemen.