Statistische Informationstechnik: Signal - Und Mustererkennung, Parameter- Und Signalschätzung

ISBN-13: 9783642159534 / Niemiecki / Twarda / 2011 / 372 str.

Kristian Kroschel; Gerhard Rigoll; Bjorn Schuller

Opis

Die Autoren behandeln die Signalerkennung im Rauschen, die Mustererkennung sowie die Parameter- und Signalschatzung. Grundlegende Fragen veranschaulichen sie anhand von Anwendungsbeispielen. Berucksichtigt werden moderne Verfahren wie Wavelet-Transformation und neben klassischen Detektionsverfahren auch neuere, beispielsweise Klassifikatoren, die auf neuronale Netze und Fuzzy-Logik aufbauen. Die 5. Auflage wurde im Bereich des maschinellen Lernens substanziell erweitert. Der Band ist geeignet fur Studierende wie fur Ingenieure in der Praxis.

Spis treści

1. Detektion und Estimation.- 2. Grundbegriffe der Statistik.- 3. Signaldarstellung durch Vektoren.- 4. Signal- und Mustererkennung.- 5. Systeme für die Signal- und Mustererkennung.- 6. Parameterschätzung (Estimation).- 7. Lineare Parameterschätzsysteme.- 8. Wiener-Filter.- 9. Kalman-Filter.- Literatur- und Sachverzeichnis.

O autorze

Kristian Kroschel studierte an den Universitäten Karlsruhe und Erlangen-Nürnberg Elektrotechnik mit dem Schwerpunkt Nachrichtentechnik. An der Universität Karlsruhe wurde er 1971 zum Dr.-Ing. promoviert. 1974 erfolgte seine Habilitation für das Fach Nachrichtentechnik an der Fakultät für Elektrotechnik und Informationstechnik der Universität Karlsruhe. Bis 2008 lehrte er dort als Professor und ist seitdem am Fraunhofer Institut für Optronik, Systemtechnik und Bildauswertung (IOSB) in Karlsruhe als wissenschaftlicher Berater tätig. Daneben hält er Kurse in der Industrie zu Themen der digitalen Signalverarbeitung und Informationsübertragung, mit denen sich auch seine über 100 Publikationen befassen. Gerhard Rigoll studierte an der Universität Stuttgart Technische Kybernetik und war danach am Fraunhofer-Institut (IAO) in Stuttgart tätig. Er promovierte 1986 im Bereich der automatischen Spracherkennung und schloß seine Habilitation für das Fach Mensch-Maschine-Kommunikation 1991 in Stuttgart ab. Von 1986-88 war er Postdoctoral Fellow am IBM Thomas Watson Research Center in Yorktown Heights/USA und von 1991-93 Gastwissenschaftler bei den NTT Human Interface Laboratories in Tokio/Japan. Danach war er Universitätsprofessor für Technische Informatik in Duisburg und ist seit 2002 Ordinarius für Mensch-Maschine-Kommunikation an der TU München. Er ist Autor und Co-Autor von mehr als 400 Publikationen in allen Bereichen der multimodalen Mensch-Maschine-Kommunikation und Mustererkennung und aktiv als Mitglied, Gutachter und Editor in vielen nationalen und internationalen wissenschaftlichen Gremien und Verbänden. Björn Schuller studierte an der Technischen Universität München Elektrotechnik und Informationstechnik und wurde 2006 in diesem Gebiet promoviert. Aktuell ist er nach gastwissenschaftlichen Aufenthalten am CNRS-LIMSI bei Paris und im Computing Department des Imperial College London zu den Forschungsthemen der intelligenten Sprach- und Bildverarbeitung in den Jahren 2009 und 2010 als Dozent für Audiosignalverarbeitung und Mustererkennung an der TU München im Rahmen seiner Habilitation in Lehre und Forschung tätig. In diesen Bereichen finden sich auch seine über 150 wissenschaftlichen Publikationen sowie Editor- und Gutachtertätigkeiten für über 20 renommierte wissenschaftliche Journale.

Blurb

Die 5. Auflage des Klassikers zur Statistischen Informationstechnik erfährt eine substantielle Erweiterung im Bereich des maschinellen Lernens. Sie bietet somit einen ausgezeichneten Überblick über die beiden wichtigen Themen Mustererkennung/Signalverarbeitung und Maschinelles Lernen.

Die Autoren behandeln die Signalerkennung im Rauschen und die Mustererkennung sowie die Parameter- und Signalschätzung. Moderne Verfahren wie Wavelet-Transformation oder Clusterbildung mit unscharfen Partitionen werden berücksichtigt. Neben klassischen Verfahren der Detektion werden neuere, z.B. auf neuronale Netze und kernelbasierten Methoden aufbauende Klassifikatoren diskutiert.

Die Parameterschätzung behandelt neben Bayes- und Maximum-Likelihood-Ansätzen auch adaptive Verfahren. Wiener- und Kalman-Filter sind Beispiele zur Signalschätzung. Die Grundlagen werden durch Anwendungsbeispiele aus der Praxis erläutert.

Geeignet für Studierende und für Ingenieure in der Praxis.