Raum- und Zeitabhängiges Nichtlineares Lernverfahren für Echo State Funk-Sensornetzwerke

In diesem Forschungsantrag werden maschinellen Lernmethoden für nichtlineare raum- und zeitabhängige Prozesse erforscht und entwickelt, wobei die neuronale Netzwerke mit funkgestützten Sensornetzwerken kombiniert werden. Im Rahmen des vorgeschlagenen Konzeptes ``Echo State Funk-Sensornetzwerke`` (ES-FSN) werden Sensoren mit einfachen Datenverarbeitungsfähigkeiten ausgerüstet um Daten ähnlich wie in einem Neuron verarbeiten zu können. Das resultierende Netzwerk kann dann verwendet werden um Modelle von beobachteten, nichtlinearen raum- und zeitabhängigen Prozessen zu bilden. Die Ziele dieser Forschung sind i) die Erweiterung und Erforschung der Lernfähigkeiten von FESSN, und ii) der Entwurf von effizienten Lernalgorithmen, welche, die von FESSN gegebene Infrastruktur für Datensammlung und Verarbeitung ausnützen können. Die Ergebnisse dieser Forschung werden nicht nur das Gebiet des maschinelles Lernens für Modellierung von raum- und zeitanhängigen Prozessen erweitern, sondern auch wichtige praktische Auswirkungen haben. Die FESSN und entsprechende Lernalgorithmen werden in kognitiven technischen Systemen angewendet. Wenn solche Systeme mit mehreren Sensoren ausgestattet werden, können diese auf der Grundlage der gesammelten Daten die zugrunde liegenden Prozesse lernen, analysieren, vorhersagen, sowie optimal auf die zeitliche Änderungen im lokalen Umfeld reagieren. Die Ergebnisse dieser Forschung werden in relevanten wissenschaftlichen Veröffentlichungen so wie in der Habilitation Arbeit der Autor publiziert.