http://dl.gi.de/handle/20.500.12116/4396 2026-07-21T14:19:32Z 2026-07-21T14:19:32Z Winkler, Tilo http://dl.gi.de/handle/20.500.12116/4421 2021-12-16T13:33:16Z 2003-01-01T00:00:00Z

Identifikation eines vereinigten Modells für Ventilationsmechanik und Gasaustausch bei maschineller Beatmung Winkler, Tilo Wagner, Dorothea Die Identifikation von Ventilationsmechanik und Gasaustausch mit einem vereinigten Modell liefert für die beiden wichtigsten Klassen von Modellen zur Beschreibung physiologischer und pathologischer Eigenschaften der Lungen erstmals konsistente patientenspezifische Parameter. Dies ist sowohl für die medizinische Grundlagenforschung als auch für die Weiterentwicklung computergestützter Systeme zur Einstellung der Beatmung von Bedeutung. Die erkenntnistheoretischen Aspekte sind darüber hinaus für die Modellierung und Identifikation generell von Bedeutung. Die Identifikation des multiplen Modells basiert auf drei Schritten: 1) Ventilationsmechanik: Identifikation von Modellen mit diskreter oder kontinuierlicher Zeit, unter Nutzung von Methoden zur Identifikation dynamischer Systeme, 2) anatomischer Totraum: die neuentwickelte Methode beruht auf einer Transformation des Kapnogramms, 3) Perfusionsverteilung: die Simulation des Gasaustauschs mit dem vereinigten Modell ermöglicht die iterative Bestimmung dieser Parameter.

2003-01-01T00:00:00Z Borgelt, Christian http://dl.gi.de/handle/20.500.12116/4423 2021-12-16T13:33:16Z 2003-01-01T00:00:00Z

Data mining with graphical models Borgelt, Christian Wagner, Dorothea Data Mining, oder auch Wissensentdeckung in Datenbanken, ist ein noch recht junges Forschungsgebiet, das als Antwort auf die Datenflut entstanden ist, der wir uns heute gegenübersehen. Es widmet sich der Herausforderung, Techniken zu entwickeln, die Menschen helfen können, nützliche Muster in ihren Daten zu finden. Eine dieser Techniken — und sicher eine der wichtigsten, da sie für so häufige Data-Mining-Aufgaben wie die Konstruktion von Klassifikatoren und die Abhängigkeitsanalyse eingesetzt werden kann — ist das Lernen von graphischen Modellen aus Datensätzen von Beispielfällen. In meiner Dissertation stelle ich die Idee der graphischen Modelle dar, wobei ich besonders auf die noch weniger bekannten possibilistischen Netze eingehe, für die ich eine bessere Semantik zu liefern versuche. Weiter untersuche ich die Prinzipien des Lernens graphischer Modelle aus Daten und bespreche verschiedene Algorithmen, die für diese Aufgabe vorgeschlagen wurden. Die wesentlichen Leistungen dieser Arbeit bestehen in Verbesserungen und Erweiterungen dieser Algorithmen: Ich schlage eine Projektionsmethode für datenbankinduzierte Possibilitätsverteilungen, einen naiv-Bayes-artigen possibilistischen Klassifikator und mehrere neue Bewertungsmaße und Suchmethoden vor.

2003-01-01T00:00:00Z Knapp, Alexander http://dl.gi.de/handle/20.500.12116/4429 2021-12-16T13:33:16Z 2003-01-01T00:00:00Z

fOOSE- Eine integrierte formale Softwareentwicklungsmethode Knapp, Alexander Wagner, Dorothea Die Methode "fOOSE" (formal Object-Oriented Software Engineering) exemplifiziert eine auf der "Unified Modeling Language" (UML) basierende, integrierte formale Softwareentwicklungsmethode: Jacobsons "Object-Oriented Software Engineering"-Methode (OOSE) wird um diagrammgestützte, formale Spezifikationen, Beweisverpflichtungen und Verfeinerungen erweitert. Die diagrammatischen UML- Modelle werden um Anmerkungen, etwa Invarianten, in einer formalen, algebraischen Sprache optional ergänzt. Aus der Semantik der Diagramme und der Anmerkungen kann halbautomatisch eine ablauffähige Spezifikation in der objektorientierten, algebraischen Spezifikationssprache Maude abgeleitet werden: Ein automatisch erstelltes Spezifikationsgerüst muß vom Benutzer unter Ausnutzung der formalen Annotationen vervollständigt werden. Diese Spezifikationen erlauben insbesondere die Verifikation von Verfeinerungsbeziehungen zwischen Modellen. Schließlich bildet die semi-automatisch erstellte Spezifikation aus einem gegebenen, annotierten Softwaremodell auch die Grundlage für eine korrekte Implementierung dieses Modells in der objektorientierten, nebenläufigen Programmiersprache Java.

2003-01-01T00:00:00Z Jansen, Thomas http://dl.gi.de/handle/20.500.12116/4428 2021-12-16T13:33:16Z 2003-01-01T00:00:00Z

Theoretische Analyse evolutionärer Algorithmen unter dem Aspekt der Optimierung in diskreten Suchräumen Jansen, Thomas Wagner, Dorothea Evolutionäre Algorithmen (EA) sind allgemeine, randomisierte Suchverfahren, die unter anderem zur Optimierung eingesetzt werden können. Ein hier verfolgter Ansatz, der zu einem besseren Verständnis führen soll, ist die theoretische Analyse. Dabei werden vor allem einfache EA auf konkreten, typischen Zielfunktionen bezüglich ihrer Effizienz untersucht. Die Analyse beginnt nach einer Diskussion der Grenzen und Möglichkeiten evolutionärer Algorithmen mit dem vielleicht einfachsten EA. Wir sprechen wesentliche Ergebnisse für den so genannten (1+1) EA an und erklären, wie man davon ausgehend das weite Feld evolutionärer Algorithmen erschließen kann mittels Analyse von Variationen des (1+1) EA. Ein Höhepunkt ist die Analyse eines speziellen EA mit Crossover, für den man an einem Beispiel nachweisen kann, dass er mutations-basierte Algorithmen bei weitem schlägt.

2003-01-01T00:00:00Z