TY - GEN A1 - Kirch, Marvin Sebastian T1 - Einstieg in die Thematik und Prototypenbau eines neuronalen Netzes zur Reduktion von manueller Nacharbeit bei der Verknüpfung von Daten zu Patienten N2 - Das Landeskrebsregister (LKR) Nordrhein-Westfalen (NRW) erfasst Daten zu Krebserkrankungen von Patienten von Ärzten, Krankenhäusern, Pathologien und Meldeämtern aus ganz NRW um diese auszuwerten. Für die Auswertung müssen Daten, die den gleichen Patienten betreffen, zusammen- geführt werden. Zur Verknüpfung gibt es einen automatischen Record-Linkage Algorithmus, der aber bei ca. 5% aller Meldungen eine manuelle Entscheidung erfordert. Um den Aufwand der manuellen Nachbearbeitung zu reduzieren, soll der Vorgang durch ein künstliches neuronales Netz automatisiert werden. Das künstliches neuronales Netz (KNN) soll mit dem LKR NRW vorliegenden Daten zu manuellen Entscheidungen trainiert werden. Dafür müssen die Daten vor der Verwendung umfangreich aufbereitet werden. Das Ziel der Arbeit ist die Aufarbeitung und Aktualisierung eines vorliegenden Konzepts und die Implementierung eines Prototypen des Verfahrens. Der Prototyp soll in der Programmiersprache Java umgesetzt werden. Die folgende Arbeit beginnt mit einer kurzen Einleitung über die Krankheit Krebs, das LKR NRW und KNN. Danach erläutere ich die Methodik, die sich mit und die Implementierung des Themas. In der Methodik erkläre ich was KNN sind und schneide ihre Funktionsweise an. Außerdem erkläre ich wie die Bereitstellung der Daten erfolgt und wie diese für das neuronale Netz verständlich aufbereitet werden. Zur Implementierung werde ich beschreiben was für eine Entwicklungsumgebung verwendet wurde um das Projekt umzusetzen und wie das Programm umgesetzt wurde. Die Erklärung der Umsetzung besteht aus Unified Modeling Language (UML)-Diagrammen für die Datenaufbereitung und Code-Ausschnitte für die Konfiguration und Schnittstellen des KNN. Das KNN konnte inklusive Datenaufbereitung erstellt werden und klassifiziert 94,4% der Fälle korrekt. Auf Grundlage dieser Arbeit kann das Projekt nachgebaut werden. KW - Neuronales Netz KW - Record Linkage KW - Neuronal Network KW - Record Linkage KW - Java Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-30016 PB - Hochschule Düsseldorf CY - Düsseldorf ER - TY - CHAP A1 - Müller, Patrick A1 - Braun, Alexander A1 - Keuper, Margret T1 - Classification robustness to common optical aberrations T2 - 2023 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW) KW - Maschinelles Sehen KW - Abbildungsfehler KW - Neuronales Netz KW - Benchmarking Y1 - 2023 U6 - https://doi.org/10.1109/ICCVW60793.2023.00391 SP - 3634 EP - 3645 PB - IEEE ER - TY - CHAP A1 - Diprasetya, Mochammad Rizky A1 - Pullani, Ali Nafih A1 - Schwung, Andreas A1 - Schwung, Dorothea T1 - Model-based Reinforcement Learning for Sim-to-Real Transfer in Robotics using HTM neural networks T2 - 2024 10th International Conference on Control, Decision and Information Technologies (CoDIT), 1-4 July 2024 KW - Maschinelles Lernen KW - Bestärkendes Lernen (Künstliche Intelligenz) KW - Industrieroboter KW - Simulationsmodell KW - Neuronales Netz Y1 - 2024 U6 - https://doi.org/10.1109/CoDIT62066.2024.10708424 VL - 97 SP - 43 EP - 48 PB - IEEE ER - TY - JOUR A1 - Versümer, Siegbert A1 - Blättermann, Patrick A1 - Rosenthal, Fabian A1 - Weinzierl, Stefan T1 - A comparison of methods for modeling soundscape dimensions based on different datasets JF - The Journal of the Acoustical Society of America N2 - Soundscape studies vary considerably in study design, statistical methods, and model fit metrics used. Due to this confounding of data and methods, it is difficult to assess the suitability of statistical modelling techniques used in the literature. Therefore, five different methods and two performance metrics were applied to three existing soundscape datasets to model soundscape Pleasantness and Eventfulness based on seven acoustic and three sociodemographic predictors. Datasets differed in soundscape type (urban outdoor vs indoor), experimental setting (field- vs lab-based), size, and study design (site- vs person-centered). The fixed-effects and mixed-effects methods ranged from linear to nonlinear regression based on advanced machine learning approaches. Results showed that models performed better for Eventfulness than for Pleasantness in most cases, while performance as measured by the out-of-sample R2 was dependent on the total variance of the target, especially in both field studies with imbalanced targets and groups. Nonlinear methods consistently outperformed linear regression, with random forest and extreme gradient boosting performing particularly well, while the performance levels of all nonlinear methods remained comparable. Mixed-effects models provided a more generalized, albeit slightly smaller prediction performance when tested on unknown groups. Finally, this study motivates the use of cross-validation with special splitting for analyzing small imbalanced datasets. KW - Acoustical properties KW - Audiometry KW - Psychological acoustics KW - Acoustic ecology KW - Artificial neural networks KW - Machine learning KW - Urban development KW - Finite-element analysis KW - Regression analysis KW - Statistical analysis KW - Akustische Eigenschaft KW - Audiometrie KW - Psychoakustik KW - Neuronales Netz KW - Maschinelles Lernen KW - Stadtentwicklung KW - Finite-Elemente-Methode KW - Regressionsanalyse KW - Statistische Analyse Y1 - 2025 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:due62-opus-48849 SN - 1520-8524 VL - 157 IS - 1 SP - 234 EP - 255 PB - AIP Publishing ER -