Sie befinden Sich nicht im Netzwerk der Universität Paderborn. Der Zugriff auf elektronische Ressourcen ist gegebenenfalls nur via VPN oder Shibboleth (DFN-AAI) möglich. mehr Informationen...
Главни задатак истраживања приказаног у дисертацији је развој модела, заснованог на алгоритмима машинског учења, који описује сложени утицај мерног система на користан, експериментални сигнал са циљем његове елиминације. Студија случаја је широко распрострањена фотоакустична, трансмисиона мерна метода са ћелијом минималне запремине. Мултидисциплинарност и комплексност проблема одредили су следеће кораке у методологији решења: 1) развој софтвера за генерисање симулираних експерименталних података, 2) развој регресионог модела заснованог на трослојној неуронској мрежи, за прецизну и поуздану карактеризацију детектора која се извршава у реалном времену, 3) развој класификационог модела заснованог на неуронској мрежи једноставне структуре за прецизну и поуздану предикцију типа коришћеног детектора која се извршава у реалном времену, 4) спрезање регресионог и класификационог модела уз развој додатног софтвера за прилагођење модела стварном експерименту. На овај начин заокружен је програмски оквир који извршава сложени задатак издвајања “правог” сигнала oд изобличеног експерименталног сигнала без ангажовања истраживача, односно извршава аутокорекцију. Тестирање је извршено на више различитих детектора и више различитих материјала у фотоаксустичном експерименту. Применом развијеног програмског оквира конкурентност експерименталне технике је знатно порасла: повећана је тачност и поузданост, проширен је мерни опсег и смањено време обраде резултата мерења.