Filtern
Schlagworte
- Neuronales Netz (4) (entfernen)
Institut
- Fachbereich 4 (2)
- Psychologie (1)
- Raum- und Umweltwissenschaften (1)
Hybrid Modelling in general, describes the combination of at least two different methods to solve one specific task. As far as this work is concerned, Hybrid Models describe an approach to combine sophisticated, well-studied mathematical methods with Deep Neural Networks to solve parameter estimation tasks. To combine these two methods, the data structure of artifi- cially generated acceleration data of an approximate vehicle model, the Quarter-Car-Model, is exploited. Acceleration of individual components within a coupled dynamical system, can be described as a second order ordinary differential equation, including velocity and dis- placement of coupled states, scaled by spring - and damping-coefficient of the system. An appropriate numerical integration scheme can then be used to simulate discrete acceleration profiles of the Quarter-Car-Model with a random variation of the parameters of the system. Given explicit knowledge about the data structure, one can then investigate under which con- ditions it is possible to estimate the parameters of the dynamical system for a set of randomly generated data samples. We test, if Neural Networks are capable to solve parameter estima- tion problems in general, or if they can be used to solve several sub-tasks, which support a state-of-the-art parameter estimation method. Hybrid Models are presented for parameter estimation under uncertainties, including for instance measurement noise or incompleteness of measurements, which combine knowledge about the data structure and several Neural Networks for robust parameter estimation within a dynamical system.
Die vorliegende Arbeit zur Gestaltung interaktiver Animationen definiert im theoretischen Teil zunächst zentrale Begriffe der Multimediaforschung und weist anschließend den pauschalen Vergleich verschiedener Codierungsformen wie Texte, Bilder und Animationen aufgrund versuchsplanerischer Mängel zurück. Anstelle dieser Gegenüberstellungen konzentrieren sich Theorien zu Multimedia vornehmlich darauf, wie multimediale Lernumgebungen möglichst lernförderlich zu gestalten sind. Hierbei werden die beiden derzeit dominierenden Theorien, die Cognitive Load Theorie und die kognitive Theorie multimedialen Lernens, eingehend erörtert ebenso wie vier weitere Modelle, die bisher eine nachrangige Bedeutung innerhalb der Multimediaforschung einnehmen. Im empirischen Teil der Arbeit werden zwei Untersuchungsserien mit insgesamt sieben durchgeführten Studien vorgestellt, welche ausgewählte Empfehlungen zur Gestaltung multimedialer Lernumgebungen prüfen. Die erste Experimentalserie befasst sich mit der Frage, ob die Anordnung von Ursache und Wirkung die Lernleistungen für Kausalzusammenhänge in interaktiven Animationen beeinflusst. Es zeigt sich, dass eine links platzierte Ursache und rechts positionierte Wirkung im Vergleich zu anderen Positionierungsmöglichkeiten bei Frauen, nicht jedoch bei Männern, den Lernerfolg erhöht. Signalisierungen, die auf die Anordnung des Kausalzusammenhanges hinweisen fördern dabei die Verständnisleistung der Lernenden. Neben dem Geschlecht moderieren auch Computererfahrung und räumliches Vorstellungsvermögen den Einfluss der Anordnung der Ursache-Wirkungs-Beziehung auf die Lernleistung. Je höher die Computererfahrung, desto besser fallen die Verständnisleistungen bei Einhaltung der Leserichtung von links nach rechts im Vergleich zu anderen Positionierungsmöglichkeiten aus. Probanden mittlerer bis hoher räumlicher Kompetenzen werden in ihrem Lernerfolg besonders von der Anordnung des Kausalzusammenhanges beeinflusst. Die zweite Untersuchungsserie beschäftigt sich mit ausgewählten interaktiven Elementen in Visualisierungen und deren Einfluss auf die Lernleistung von Benutzern. Hier fällt auf, dass viele Lernende sowohl nützliche als auch für den Lernerfolg irrelevante interaktive Elemente überhaupt nicht oder nur sehr selten benutzen. Im Vorfeld der Animation dargebotene Instruktionshinweise, die darum bitten, spezifische interaktive Elemente systematisch zu verwenden, steigern sowohl die Nutzungshäufigkeit dieser Elemente als auch die Verständnisleistungen der Benutzer. Neben der Diskussion um Einschränkungen und praktische Implikationen der gefundenen Ergebnisse wird ein Ausblick auf mögliche zukünftige Forschungsthemen geliefert.
Data used for the purpose of machine learning are often erroneous. In this thesis, p-quasinorms (p<1) are employed as loss functions in order to increase the robustness of training algorithms for artificial neural networks. Numerical issues arising from these loss functions are addressed via enhanced optimization algorithms (proximal point methods; Frank-Wolfe methods) based on the (non-monotonic) Armijo-rule. Numerical experiments comprising 1100 test problems confirm the effectiveness of the approach. Depending on the parametrization, an average reduction of the absolute residuals of up to 64.6% is achieved (aggregated over 100 test problems).
Im Mittelpunkt dieser Untersuchung stand die in der Umweltbeobachtung bestehende Diskrepanz zwischen dem Wunsch nach flächendeckender Information und der Tatsache, dass meist nur punktuell und stichprobenartig Information erhoben wird. Über das Zusammenführen von unterschiedlichsten Informationen über die Umwelt wurde die Frage der räumlichen Übertragbarkeit von Umweltdaten und die Leistungsfähigkeit von Umweltdaten untersucht. Zur Überprüfung der Hypothese, dass die in einem bestimmten Ökosystemtyp ermittelten Ergebnisse auf andere Vertreter desselben Ökosystemtyps übertragbar sind, wurden PAK gewählt, die als Indikatoren für die luftgetragene stoffliche Immission dienen. Grundlegend für den Untersuchungsansatz war die Annahme, dass die ökologisch-strukturelle Ausstattung eines Ökosystems auch einen bestimmenden Einfluss auf die stoffliche "Belastung" in diesem Ökosystem hat. Dazu wurden zunächst Hinweise auf ein Faktorengefüge erarbeitet, welches den Stoffeintrag bestimmen und welches die ökologisch-struktuelle Ausstattung im Hinblick auf die Zielsetzung in einem ausreichenden Maße beschreiben kann. Die erarbeiteten Faktoren gehören zu den Komplexen Klima, Topographie, Flächennutzung und Biometrie. Entsprechend dem Untersuchungsansatz wurde nach einem Modell gesucht, das den funktionalen Zusammenhang zwischen Faktoren zur Beschreibung der ökologisch-strukturellen Ausstattung der Gebiete und der entsprechenden PAK-Immission annähert. Für diesen Anwendungsfall ist der Netztyp des GRNN (General Regression Neural Network) besonders gut geeignet. Mit Hilfe des Modells wurden Prognosen der PAK-Immission für fünf Ökosysteme in Deutschland berechnet. Die Validierung dieser Ergebnisse erfolgte anhand von rückstandsanalytischen Untersuchungen an einjährigen Fichtentrieben aus diesen Gebieten. Über die Modellbildung mit unterschiedlichen Input-Sets wurden die für die PAK-Immission relevanten Faktoren herausgearbeitet. Es konnte gezeigt werden, dass sich das gewählte Modell für die Frage der räumlichen Übertragbarkeit eignet, wobei hinsichtlich der Güte der Prognose deutliche Unterschiede zwischen den beiden Gruppen leichtflüchtige und schwerflüchtige PAK bestehen. Zudem bestehen qualitative Unter-schiede hinsichtlich der Prognosen zwischen den Gebieten, da durch die bisherige ökologisch-strukturelle Beschreibung wahrscheinlich einige die Immission bestimmende oder beeinflussende Faktoren nicht oder nicht ausreichend berücksichtigt wurden. Insgesamt wurde durch den gewählten Ansatz auch die Leistungsfähigkeit von Umweltdaten aus unterschiedlichen Monitoring- und Untersuchungsprogrammen durch deren gemeinsame Auswertung verdeutlicht.