Diese Arbeit befasst sich mit drei wichtigen allgemeinen Problemen des maschinellen Lernens und der Signalverarbeitung: Clustering, Klassifizierung und Mustervergleich, die bei vielen wissenschaftlichen und praktischen Herausforderungen auftreten. Trotz vieler Lösungen, die im letzten Jahrzehnt vorgeschlagen wurden, sind diese Probleme immer noch mit besonderen Schwierigkeiten verbunden: Viele Ansätze scheitern, wenn es um die Mehrdimensionalität von Signalen geht; Einige Methoden können aufgrund ihrer intrinsischen Komplexitätsbeschränkungen nur mit einer moderaten Datenmenge arbeiten. Bei den meisten Frameworks müssen schwierige Entscheidungen mit Annahmen getroffen werden, die in der Realität möglicherweise nicht zutreffen. Durch die Nutzung des Gruppenlernens oder der Weisheit der Massenkonzepte wird in dieser Arbeit ein Ensemble-Lernparadigma eingeführt, um diese grundlegenden Herausforderungen zu lösen.

Der erste Teil der Dissertation befasst sich mit dem Problem der Identifizierung ähnlicher Objektgruppen, die auch als Clustering bezeichnet werden. Obwohl Clustering in vielen Bereichen weit verbreitet ist, birgt es einige grundlegende intrinsische Herausforderungen (Subjektivität, großer Parametersatz, eigene Annahmen zu resultierenden Clustern usw.), die häufig zufriedenstellende Ergebnisse behindern. Um diesen Herausforderungen zu begegnen, wird ein neuartiges Rahmenwerk für Konsenscluster vorgeschlagen. Es arbeitet mit mehreren Clustering-Ergebnissen und bietet zwei skalierbare Möglichkeiten, um das Problem anzugehen. Erstens bietet der vorgeschlagene Ansatz unter Berücksichtigung der Nachteile der Hamming-Distanz bei auf Koexistenz basierenden Konsensclustering-Methoden die Konstruktion eines aussagekräftigen Distanzmaßes, das mit Datenstrukturen arbeitet, die als Datenfragmente bezeichnet werden. Infolgedessen wird eine neuartige Konsensfunktion um diese Maßnahme herum aufgebaut, die auf einer hierarchischen Clustering-Methode basiert, die stabile und genaue Ergebnisse zeigt. Zweitens ermöglicht es die Formulierung eines Konsens-Clustering-Problems als ein Faktorisierungsproblem der binären Matrix, es effizient mittels einer rekursiven binären Matrix des ersten Ranges zu lösen. Dies bringt eine deskriptive Interpretation der Ergebnisse mit sich, die für große Datensätze und eine große Anzahl von Ensemblemitgliedern geeignet ist.

Der zweite Teil der Dissertation befasst sich mit der Klassifizierungsaufgabe, bei der es darum geht, eine von mehreren vordefinierten Kategorien zu bestimmen, zu denen ein Objekt gehört. Wir lösen hochdimensionale Fernerkundungsdatenfusionsprobleme, indem wir sie als Klassifizierungsaufgabe formulieren und einen dynamischen Klassifikator und ein Ensemble-Auswahlrahmen vorschlagen. Das vorgeschlagene Framework stützt sich auf das Konzept mehrerer Klassifikatorsysteme und wählt kompetente Klassifikatoren aus einem etablierten Ensemble aus und kombiniert sie, um eine zuverlässige und genaue Klassifizierung zu gewährleisten. Um dies zu ermöglichen, wird eine Kompetenzschätzungs- und Auswahlmethode entwickelt.

Im dritten Teil der Dissertation befassen wir uns mit dem Problem der Ähnlichkeitssuche in Datenströmen, bei dem es darum geht, ähnliche Objekte (oder Ereignisse) in einem Echtzeitdatenstrom zu finden. Aufgrund von Ausreißern, Rauschen und möglichen Verzerrungen in Amplituden- und Zeitdimensionen ist es oft schwierig, die erforderlichen Muster korrekt aus dem Stream abzurufen. Um dies zu ermöglichen, schlagen wir einen dynamischen Normalisierungsmechanismus vor, der es ermöglicht, Streaming-Signal-Teilsequenzen auf die Skala der Abfragevorlage zu bringen. Darüber hinaus erweitern wir es für den Fall, dass mehrere Beispiele für eine Abfragevorlage verfügbar sind, mit denen Sie die Weisheit der Crowd-Konzepte in den Einstellungen für den Mustervergleich nutzen können. Dies verbessert die Musterabruffähigkeiten erheblich, insbesondere wenn Stichprobenvarianz oder Zeitverzerrungen vorliegen.

Die vorgeschlagenen Beiträge zur Clusterbildung, Klassifizierung und Mustererkennung werden an künstlich erzeugten Datensätzen sowie anhand realer Messdaten untersucht und validiert, die aus offenen Quellen stammen oder im Labor der AGT Group (R&D) GmbH, Darmstadt, Deutschland, aufgezeichnet wurden. Es werden mehrere Experimente durchgeführt, um die Leistungskonsistenz der vorgeschlagenen Methoden zu bestätigen und zu verifizieren sowie teilweise in reale Lösungen integriert.