TY - THES A1 - Roman, Anschel Julio ED - Fügenschuh, Armin T1 - Künstliche neuronale Netze in biomedizinischen Anwendungen T1 - Artificial neuronal networks in biomedical applications N2 - Die Bachelorarbeit beschäftigt sich mit der Entwicklung effizienter Methoden für die Klassifizierung der Stadien von Zellen. Hierbei liegt der Fokus auf sogenannten Deep-Learning-Algorithmen. Diese haben sich unter anderem in der Bilderkennung als sehr leistungsfähig erwiesen und können genutzt werden, um große Mengen von mikroskopischen Zellbildern in kurzer Zeit zu klassifizieren. Aufgezeigt werden Möglichkeiten zur Optimierung solcher Algorithmen mit dem Ziel, Genauigkeit und Speichergröße zu verbessern. Es wurden hierbei der Einfluss von verschiedenen Parametern auf die Performance eines Algorithmus untersucht und gegenübergestellt, verschiedene etablierte Modelle miteinander verglichen und eine Auswahl gängiger Methoden zur Modell-Optimierung getestet. Genutzt wurde die Software-Bibliothek TensorFlow, welche über die Programmiersprache Python angesprochen wird. Reale Anwendungsdaten wurden von der Firma Medipan zur Verfügung gestellt. N2 - The bachelor thesis deals with the development of efficient methods for the classification of cell stages. The focus here is on so-called deep learning algorithms. Among other things, these have proven to be very powerful in image recognition and can be used to classify large quantities of microscopic cell images in a short time. Possibilities for optimizing such algorithms with the aim of improving accuracy and memory size are shown. The influence of various parameters on the performance of an algorithm was examined and compared, various established models were compared with one another and a selection of common methods for model optimization were tested. The TensorFlow software library was used, which is addressed via the Python programming language. Real application data were provided by Medipan. T3 - Cottbus Mathematical Preprints - 20, 2021 KW - Künstliche neuronale Netze KW - Tiefes Lernen KW - Nichtlineare Optimierung KW - Bilderkennung KW - Bildklassifizierung KW - Artificial neuronal networks KW - Deep learning KW - Nonlinear optimization KW - Image recognition KW - Image classification KW - Neuronales Netz KW - Mustererkennung KW - Deep learning KW - Nichtlineare Optimierung Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-56309 ER - TY - THES A1 - Flister, Tobias ED - Fügenschuh, Armin T1 - Eine Heuristik zur Lösung ganzzahliger Programme mit quadratischen Nebenbedingungen T1 - A heuristic for the solution of integer programs with quadratic constraints N2 - Die Frage nach dem Lösen von ganzzahligen Programmen mit quadratischen Nebenbedingungen spielt beim Aufbau multistatischer Sonar-Netze eine Rolle. Hierbei werden Schall-Sender und -Empfänger in einem Ozeanabschnitt so platziert, dass möglichst jeder Bereich durch mindestens ein Sender-Empfänger-Paar überwacht werden kann. Diskretisiert man den Abschnitt räumlich, so kann die Frage nach der Platzierung durch binäre Entscheidungsvariablen beschrieben werden. Da es auf die paarweise Platzierung ankommt, werden in den Modellen die Binärvariablen multipliziert, was einem logischen „Und“ entspricht. Um die Modelle halbwegs schnell numerisch zu lösen, wurden in der Literatur zahlreiche Linearisierungstechniken entwickelt und erprobt. Trotz allem Fortschritt ist man weit davon entfernt, Instanzen mit deutlich mehr als 100 Diskretisierungspunkten in annehmbarer Zeit zur Optimalität zu lösen. In dieser Bachelorarbeit werden heuristische Lösungsverfahren entwickelt, welche in der Lage sind, innerhalb kürzester Zeit gute (aber nicht beweisbar optimale) Lösungen zu liefern. Ausgangspunkt war die Grundidee, Sender und Empfänger abwechselnd zu optimieren, bis keine weitere Verbesserung mehr eintritt. Numerische Ergebnisse werden anhand von Testinstanzen präsentiert und mit einem exakten Ansatz verglichen. N2 - The question of solving integer programs with quadratic constraints plays a role when setting up multistatic sonar networks. Sound transmitters and receivers are placed in an ocean section in such a way that, if possible, every area can be monitored by at least one transmitter-receiver pair. If the section is discretized spatially, the question of placement can be described by binary decision variables. Since it depends on the placement in pairs, the binary variables are multiplied in the models, which corresponds to a logical "And". In order to numerically solve the models reasonably quickly, numerous linearization techniques have been developed and tested in the literature. Despite all the progress, one is far from solving instances with significantly more than 100 discretization points in a reasonable time to optimality. In this bachelor thesis, heuristic solution methods are developed, which are able to deliver good (but not provable optimal) solutions within a very short time. The starting point was the basic idea of alternately optimizing the transmitter and receiver until there was no further improvement. Numerical results are presented using test instances and compared with an exact approach. T3 - Cottbus Mathematical Preprints - 19, 2021 KW - Heuristiken KW - Ganzzahlige Programmierung KW - Quadratische Nebenbedingungen KW - Multistatisches Sonar KW - Netzplanung KW - Heuristics KW - Integer programming KW - Quadratic constraints KW - Multi-static sonar KW - Network planning KW - Ganzzahlige Optimierung KW - Heuristik KW - Netzplanung Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-56175 ER - TY - THES A1 - Tchouto Mbatchou, Thierry ED - Fügenschuh, Armin T1 - Training of artificial neuronal networks with nonlinear optimization techniques T1 - Training künstlicher Neuronaler Netze mit Techniken der nichtlinearen Optimierung N2 - Machine learning is a field that has been the object of study of many researchers around the globe during the last decades. Very often to solve machine learning challenges like classification problems for example, one needs to train an artificial neural network. To train this network a certain loss function has to be minimized. There is a ubiquitous approach to achieve this which consists of using variants of the stochastic gradient descent combined with the backpropagation algorithm. In our work, we aimed at testing a rather non-conventional scheme consisting of making use of the solvers a software called AMPL offers. N2 - Maschinelles Lernen ist ein Gebiet, mit dem sich in den letzten Jahrzehnten viele Forscher rund um den Globus intensiv auseinandergesetzt haben. Um Probleme im Gebiet des maschinellen Lernens lösen zu können, wie zum Beispiel Klassifizierungsprobleme, muss man sehr oft ein künstliches neuronales Netz trainieren. Damit ein solches Netz erfolgreich trainiert werden kann, muss eine bestimmte Verlustfunktion minimiert werden. Es gibt einen allgegenwärtigen Ansatz, um dies zu erreichen, der darin besteht, Varianten des stochastischen Gradientenabstiegs kombiniert mit dem Backpropagation-Algorithmus zu verwenden. In unserer Arbeit wollten wir ein eher unkonventionelles Schema testen, indem wir die von einer Software names AMPL angebotenen Solver gebrauchen. T3 - Cottbus Mathematical Preprints - 15, 2021 KW - Nonlinear optimization KW - Artificial neuronal networks KW - Image recognition KW - Nichtlineare Optimierung KW - Künstliche Neuronale Netze KW - Bilderkennung KW - Bilderkennung KW - Neuronales Netz KW - Nichtlineare Optimierung KW - AMPL Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-54042 ER -