Dissertation (Metadaten)
Titel:Mathematische Mustererkennung und Hidden Markov Modelle
 
Autor:Lars Willert
 
URN:NBN:urn:nbn:de:gbv:8-diss-10000
 
Fakultät:Mathematisch-Naturwissenschaftliche Fakultät
DDC Sachgebiet:510 Mathematik
 
Datum der mdl. Prüfung:11.02.2004
 
Referent(in):Prof. Dr. A. Irle
Korreferent(en) Korreferentin:Prof. Dr. U. Rösler
 
Beschreibung:In dieser Arbeit wird das Modell der Mathematischen Mustererkennung so erweitert, dass Prozesse von Mustern betrachtet werden können. Das erweiterte Modell wird Chronometrisches Modell genannt. Es wird der Spezialfall untersucht, in dem der Prozess der Muster durch ein Hidden Markov Modell beschrieben werden kann. In der daraus resultierenden Situation wird unter Annahme der Kenntnis der Verteilungen das optimale Klassifikationsrisiko des Modells in Abhängigkeit der Erinnerungstiefe analysiert. Dabei benutzt ein Klassifikator nicht nur das vorhandene Merkmal sondern zusätzlich Informationen aus der Vergangenheit, wobei die Erinnerungstiefe angibt, wie weit in der Vergangenheit zurückgegriffen wird.
 
Schlagworte:Mustererkennung ; Klassifikator ; Risiko ; Hidden-Markov-Modell ; Mustererkennung, Hidden Markov Modelle, Bayes Statistik, Chronometrische Mustererkennung, Klassifikation, optimaler Klassifikator, Klassifikationsrisiko, Entscheidungsregel, Pattern Recognition, Hidden Markov Prozesse
 
Dokumente:
d1000.pdf (587 kB)    ZIP generieren   Details >>