Beitrag zur Variablenselektion und Mustererkennung bei zeitveränderlichen Transmissionsspektren

Durch die methodische Verwandtschaft mit der Sprachsignalverarbeitung sind in der vorliegenden Reihe schon mehrere Bände erschienen, in denen die Mustererkennung auf nichtsprachliche Probleme angewendet wird. In diesem Buch werden klassische Methoden zur Klassifikation sowie der Variablenselektion und -reduktion analysiert und hinsichtlich ihrer Anwendbarkeit auf spektroskopische Daten untersucht. Spektroskopische Daten zeichnen sich durch eine große Anzahl untereinander hoch korrelierter Variablen aus, was für viele Ansätze ein Problem darstellt. Auf Basis der gewonnenen Erkenntnisse wurde ein rekursives Transformationsverfahren (RTV) zur Variablenselektion entwickelt und mit bekannten Methoden verglichen. Dieses lässt sich direkt auf mehrdimensionale Daten mit hoher Kollinearität anwenden. Für linear trennbare Zweiklassenprobleme liefert es schnell eine gewünschte Anzahl von Variablen, die signifikant zur Klassentrennung beitragen. Des Weiteren kann es ebenfalls zur Prototypenselektion verwendet werden. Den praktischen Hintergrund der Arbeit bildet eine Problemstellung aus der Geflügelwirtschaft. In der Legehennenproduktion werden jährlich über 50 Millionen männliche Eintagsküken getötet. Die Geschlechtsbestimmung im Ei soll eine Alternative bieten. Ein Verfahren verwendet Transmissionsspektren als Basis für die Klassifikation als Henne oder Hahn. Dabei ist neben einer fehlerarmen Zuordnung ein Rückschluss auf charakterische spektrale Bereiche wünschenswert. Doreen Göhler studierte von 2008 bis 2012 an der Hochschule für Technik und Wirtschaft Dresden (HTW) Informationstechnik. Seit 2012 arbeitet sie als Entwicklungsingenieurin für die Evonta-Technology GmbH im Bereich der Bildverarbeitung und Mustererkennung. Von 2015 bis 2018 entstand die Dissertation im Arbeitsumfeld und Rahmen eines kooperativen Promotionsverfahrens zwischen der TU Dresden und der HTW.