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.