Sch i en eihe CIplus, Band 1/2014
He ausgebe : T. Ba z-Beiels ein, W. Konen, H. S enzel, B. Naujoks
SOMA – Sys ema ische
Op imie ung on Modellen in IT-
und Au oma isie ungs echnik
Wol gang Konen und Pa ick Koch
SOMA
Sys ema ische Op imie ung on
Modellen in IT- und Au oma isie ungs echnik
Schlussbe ich
F¨
o de linie Ingenieu Nachwuchs 2009 (In o ma ik)
im Rahmen des P og amms Fo schung an Fachhochschulen
P o . D . Wol gang Konen
D . Pa ick Koch
Ins i u ¨
u In o ma ik
Fakul ¨
a ¨
u In o ma ik und Ingenieu wissenscha en
Fachhochschule K¨
oln
14. M¨
a z 2014
Inhal s e zeichnis
1 Ku zda s ellung ............................................... 5
1.1 Au gabens ellung.......................................... 5
1.2 Vo ausse zungen zu Du ch ¨
uh ung des P ojek es . . . . . . . . . . . . . 5
1.3 Planung und Ablau des P ojek es . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Wissenscha liche und echnische S and . . . . . . . . . . . . . . . . . . . . . 8
1.5 Zusammena bei mi ande en S ellen . . . . . . . . . . . . . . . . . . . . . . . . 10
2 Eingehende Da s ellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1 Ve wendung de Zuwendung und e ziel e E gebnisse . . . . . . . . . . . 11
2.2 Zahlenm¨
aßige Nachweis ................................... 21
2.3 Nu zen und Ve we ba kei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4 Fo sch i ande e S ellen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5 Publika ionen im P ojek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4 Inhal s e zeichnis
Ku z assung
Das im Rahmen de F
¨
o de linie Ingenieu Nachwuchs ge-
¨
o de e Fo schungs o haben “Sys ema ische Op imie ung on Modellen
¨
u In o ma ions- und Au oma isie ungs echnik” (ku z: SOMA) s a e e
im Augus 2009. Eine wesen liche Zielse zung wa die En wicklung und
Op imie ung on Modellen zu P ognose on Zielg
¨
oßen. Ein wich iges
Me kmal is dabei die e izien e Op imie ung diese Modelle, welche es
e m
¨
oglichen soll, mi eine s eng limi ie en Anzahl an Auswe ungen
gu e Pa ame e eins ellungen zu bes immen. Mi hil e diese genaue en
Pa ame ie ungen de un e liegenden Modelle k
¨
onnen un e Einbezie-
hung neue me kmalse zeugende Ve ah en insbesonde e
¨
u kleine und
mi els
¨
andische Un e nehmen e besse e L
¨
osungen e ziel we den. Als
di ek e Gewinn de a ige Ve besse ungen konn e
¨
u KMUs ein geeigne-
es F amewo k
¨
u Modellie ungs- und P ognoseau gaben be ei ges ell
we den, sodass mi ge ingem echnischem und pe sonellen Au wand pe -
o man e und nahezu op imale L
¨
osungen e ziel we den k
¨
onnen. Diese
Schlussbe ich besch eib die im P ojek du chge
¨
uh en Maßnahmen und
E gebnisse.
1. KURZDARSTELLUNG 5
1 Ku zda s ellung
1.1 Au gabens ellung
In dem Fo schungsp ojek Sys ema ische Op imie ung on Modellen
¨
u IT- und
Au oma isie ungs echnik (SOMA) soll en spezielle Modelle zu P ognose on
Zielg
¨
oßen en wo en und
¨
u ih e jeweiligen Einsa zzwecke op imie we den. Als
Anwendungsgebie e wa en eine sei s ingenieu wissenscha liche Anwendungen
als auch Anwendungen im Business In elligence o gesehen. Hie bei is he o -
zuheben, dass du ch die gegebene Gene alisie ba kei de im P ojek SOMA
eingese z en Modelle auch Ve wendungen in ande en Gebie en o s ellba sind.
Ein besonde e Fokus lag bei de Modellbildung insbesonde e au de Op imie ung
de eien Modellpa ame e . Hie bei wu den speziell angepass e Op imie e ah en
e wende , um inne halb k
¨
u zes e Zei nahezu op imale Pa ame e eins ellungen
¨
u die Modelle bes immen zu k
¨
onnen. Dabei is es zuhal en, dass die Pa ame-
e eins ellung de a ige P ognosemodelle
¨
u den Anwende o mals eine seh
komplexe H
¨
u de da s ell , da sie ein spezielles Fachwissen
¨
ube die ablau enden
P ozesse e o de . Aus diesen G
¨
unden is die genaue Eins ellung de Pa ame e
o mals ein zei au w
¨
andiges Un e angen, sodass in de P axis o mals au eine
sys ema ische Op imie ung e zich e wi d.
Im P ojek SOMA wu de gezeig , dass du ch den Einsa z de sogenann en
modellbasie en Op imie ung seh gu e Pa ame e
¨
u de a ige Modelle bes imm
we den we den k
¨
onnen. Bei de modellbasie en Op imie ung wi d im Gegensa z
zu klassischen Op imie ung ein sog. Me a- ode Su oga -Modell de Ziel unk ion
gele n . Mi Hil e dieses Modells k
¨
onnen Auswe ungen au de ealen Ziel unk ion
wei esgehend eduzie we den und ein g oße An eil de Op imie ung inde
au dem Me a-Modell s a . Allein mi Hil e de e besse en Pa ame e we e
gelang es anschließend, die P ognosegenauigkei de un e liegenden Anwendungen
signi ikan zu e besse n und zu s abilisie en. Ve schiedene Modellop imie ungen
wu den in dem P ojek SOMA o genommen, welche jeweils de aillie analysie
und de Fachwel zug
¨
anglich gemach wo den. Heu e is es m
¨
oglich mi den im
P ojek SOMA en wickel en So wa e-Tools ohne g
¨
oße en Au wand und ohne
besonde es P oblemwissen eine deu lich e besse e Genauigkei de komplexen
Modellie ungsau gaben in indus iellen P ozessen zu bekommen.
1.2 Vo ausse zungen zu Du ch ¨
uh ung des P ojek es
Das P ojek SOMA ha e eine Gesam lau zei on insgesam d ei Jah en und 11
Mona en. Die Du ch
¨
uh ung des P ojek es and am Ins i u
¨
u In o ma ik an
de Fachhochschule K
¨
oln, Campus Gumme sbach s a . Hie is de P ojek lei e
Wol gang Konen P o esso
¨
u angewand e Ma hema ik. De P ojek lei e wa
w
¨
ah end des gesam en P ojek zei aums in dem an Fachhochschulen
¨
ublichen
Um ang in Hochschul e wal ung und Leh e eingebunden. Zu P ojek beginn im
Augus 2009 nahm He Dipl.-In o m. Pa ick Koch seine T
¨
a igkei im P ojek
SOMA au . He Koch wa w
¨
ah end des gesam en P ojek lau zei in Vollzei
als wissenscha liche Mi a bei e im P ojek SOMA anges ell . Wei e e Nach-
wuchswissenscha le (s uden ische und wissenscha liche Hil sk
¨
a e) wu den
nach Beda angewo ben und einges ell . Wei e e Vo ausse zungen wa en
¨
u
dieses Fo schungs o haben nich no wendig.
6 Inhal s e zeichnis
1.3 Planung und Ablau des P ojek es
Das P ojek SOMA wu de anhand eines de aillie en P ojek plans in sechs
e schiedene Module einge eil . In Abb. 1 is dazu de A bei splan des P ojek es
SOMA in Fo m eines Gan -Diag amms da ges ell . Die sechs besch iebenen
Module um assen im Wesen lichen die olgenden A bei spake e:
B
Be ei s ellung und Tes CI-Ve ah en: Dieses Modul dien e de Zusam-
men
¨
uh ung e schiedene CI-Ve ah en, sodass eine Nu zung in einem ge-
meinsamen Op imie ungs-F amewo k e m¨
oglich wu de
C
Case S udies: Beinhal e die P ojek e, welche in Fo m on s uden ischen
P ojek en (Case S udies) im Mas e s udiengang Au oma ion & IT bea bei e
wu den
E
En wu salgo i hmen Fea u e Gene ie ung: Um ass die Be eiche zu Me k-
mals o e a bei ung und Fea u e-Kons uk ion, welche wesen liche zu den
im P ojek SOMA en wickel en P ognose e ah en dien
S
SPO-Me as a egien und al e na i e Op imie e : In diesem Modul we den
alle wesen lichen Op imie e ah en besch ieben, welche zu Op imie ung de
Pa ame e on P ognose e ah en eingese z wu den.
P
P omo end: Zu de Teamzuse zung de wissenscha lichen Nachwuchsg uppe
geh
¨
o e de P omo end Pa ick Koch. He Pa ick Koch wa mi olle
S elle als wissenscha liche Mi a bei e in dem P ojek SOMA anges ell
und beglei e e die En wicklung in den e schiedenen A bei spake en.
K
Koo dina ion: Dieses Modul dien e de besse en Abs immung de einzelnen
A bei spake e und de Ve ne zung de wissenscha lichen A bei en un e ein-
ande .
Abbildung 1: P ojek plan SOMA
1. KURZDARSTELLUNG 7
Bei de De ini ion de A bei spake e wu de insbesonde e au eine nich zu
lang is ige Planung geach e , sodass w
¨
ah end des P ojek ablau s ein in e ne
Abgleich m¨
oglich wa und auch du chge ¨
uh wu de.
Be ei s ellung und Tes CI-Ve ah en
Ziel des Moduls Be ei s ellung und
Tes CI-Ve ah en wa es, e schiedene Ve ah en zu P ognose on Da en in
einem geeigne en F amewo k zusammenzu
¨
uh en. Zu Eins ellung de eien
Pa ame e e olg e
¨
uhzei ig eine Eina bei ung in das Op imie ungs amewo k
Sequen ial Pa ame e Op imiza ion Toolbox (SPOT), welches als m
¨
ogliches We k-
zeug
¨
u die e schiedenen Op imie ungsau gaben dien e. Es gelang eine Auswahl
geeigne e P ognose-Ve ah en au syn he ischen und p ak ischen Beispielen ge-
gen
¨
ube zu s ellen. Als Ve ah en wu den z.B. Me hoden wie Suppo Vec o
Machines (SVM) und Ensembles on En scheidungsb
¨
aumen (Random Fo es )
be
¨
ucksich ig . Zu E aluie ung de eingese z en P ognosemodelle wu den e -
schiedene A en de Au eilung in T ainings- und Tes mengen und e schiedene
Fehle maße be ¨
ucksich ig und mi einande e glichen.
Case S udies aus IT und Au oma isie ungs echnik
In dem Mas e s u-
diengang “Au oma ion & IT” an de Fachhochschule K
¨
oln we den jeweils im
Somme semes e e schiedene Case S udies angebo en. Die Case S udies sind
Le ng uppen on ca. 2-4 S udie enden, welche ein o gegebenes Thema als P o-
jek bea bei en. Le nziele sind dabei P ojek managemen , Li e a u eche che,
P
¨
asen a ion on E gebnissen, P og ammie ung, sowie p axisnahe Un e suchun-
gen und s a is ische Auswe ungen. F
¨
u die S udie enden s ell en die
¨
u das
P ojek SOMA angebo enen Case S udies eine in e essan e Umgebung da , da
p axis ele an e Themen bea bei e we den konn en und eine di ek e Ve bindung
zu ak uellen Fo schungs hemen gegeben wa .
En wu salgo i hmen Fea u e Gene ie ung + Fea u e E olu ion
Ve -
ah en zu Me kmalsex ak ion und Me kmalsgene ie ung spielen in imme kom-
plexe we denden Anwendungen eine wesen liche Rolle. Das A bei spake En wu -
salgo i hmen Fea u e Gene ie ung + Fea u e E olu ion dien e dazu, o handene
Algo i hmen in de Li e a u zu implemen ie en und
¨
u e schiedene Anwen-
dungsbeispiele einzuse zen. Bei den im P ojek SOMA du chge
¨
uh en Tes s
zeig e sich, dass du ch geeigne e Ve ah en zu Me kmalsauswahl und Gene ie-
ung deu liche Ve besse ungen de P ognosequali ¨
a e ziel we den konn en.
SPO-Me as a egien und al e na i e Op imie e
In dem Modul SPO-
Me as a egien und al e na i e Op imie e soll en Ve ah en zu Op imie ung
de Modellpa ame e e ass we den. Zu Auswahl geeigne e Op imie e muss e
zun
¨
achs un e such we den, welche e schiedenen Pa ame e
¨
ube haup ele an
¨
u die Anwendung wa en. Hie zu wu de e wa bes imm , wie sensi i das P o-
gnosemodell au Eins ellungen einzelne Pa ame e eagie . Wei e hin wu de
expe imen ell analysie , inwiewei Ko ela ionen zwischen Pa ame e n au e en
k¨
onnen.
8 Inhal s e zeichnis
Als wei e e Sch i wa es wich ig es zuhal en, welche e schiedenen Pa a-
me e ypen in de Modellbildung au e en k
¨
onnen. Dazu spiel en insbesonde e
die olgenden Punk e eine wich ige Rolle:
–Handel es sich um kon inuie liche ode disk e e Pa ame e ?
–
Sind die Pa ame e in bes imm en Be eichen es ingie , ode ei eins ellba ?
–Handel es sich um nume ische ode ak o ielle Pa ame e ?
–
Wie sensi i eagie das P ognosemodell au eine
¨
Ande ung de Pa ame e ?
–Bes ehen m¨
ogliche Wechselwi kungen mi ande en Pa ame e n?
Da au au bauend konn e eine Auswahl an Op imie e ah en bes imm we -
den, die anschließend an p axisnahen Anwendungen ge es e wo den sind. Zu
Beu eilung de Quali
¨
a einzelne Op imie e ah en wu de de P ognose ehle
au unabh
¨
angigen Da en mi Bezug au die no wendigen Funk ionsauswendungen
be ach e .
P omo end
De in dem P ojek SOMA
¨
a ige wissenscha liche Mi a bei e
Pa ick Koch
¨
uh e eigens
¨
andige Un e suchungen und Analysen zu Pa ame e -
op imie ung on P ognose e ah en du ch. Es and eine enge inhal liche Zusam-
mena bei mi dem P ojek lei e s a . Wei e hin geh
¨
o en koo dina i e Au gaben
de im P ojek SOMA du chge
¨
uh en Au gaben zu seinem T
¨
a igkei sbe eich.
He Koch s ell e in Abs immung mi dem P ojek lei e zu Beginn des P ojek es
SOMA den Kon ak zu de Pa ne uni e si
¨
a Uni e si ei Leiden (Niede lande)
he . Be ei s Ende 2009 e kl
¨
a e sich P o . D . Thomas B
¨
ack on de Uni e -
si
¨
a Leiden (Niede lande) be ei , das P omo ions o haben on He n Koch zu
un e s
¨
u zen. P o . B
¨
ack is Leh s uhlinhabe an de Uni e si
¨
a Leiden und
bea bei e achlich am Leiden Ins i u e o Ad anced Compu e Science (LIACS)
ein hema isch e gleichba es Fo schungsgebie . Zu besse en Abs immung des
P omo ions o habens wu den
¨
uhzei ig die no wendigen Sch i e (Einsch eibung,
Themenauswahl) eingelei e . He Koch konn e seine P omo ion ku z nach Ablau
des P ojek es SOMA am 29.10.2013 e olg eich abschließen.
1.4 Wissenscha liche und echnische S and
De wissenscha liche und echnische S and um ass die Auswahl geeigne e P o-
gnose e ah en und Algo i hmen zu Me kmalsgewinnung. Auße dem wa es on
besonde e Bedeu ung, die Modellpa ame e und au e enden eien Pa ame e
in de P ognoseanwendung einzus ellen. Hie zu wa es no wendig, einen ak uellen
¨
Ube blick
¨
ube zahl eiche Ve ah en zu Op imie ung on Modellpa ame e n zu
gewinnen.
Bei den Themengebie en handel es sich um schnell wachsende und sich
s e ig
¨
ande nde Fo schungs elde , sodass es nich ein ach wa , einen komple en
¨
Ube blick
¨
ube die Gebie e zu geben. Es ha sich jedoch he ausges ell , dass sich
einige Ve ah en in den jeweiligen Fo schungsgebie en und im p ak ischen Einsa z
e ablie haben. Au Sei e de P ognose e ah en sind hie insbesonde e Suppo
Vec o Machines [
5
] sowie Ensembles on En scheidungsb
¨
aumen, wie z.B. Random
Fo es s [
3
] he o zuheben. Au Sei e de Op imie e ah en is zu di e enzie en
zwischen modellbasie en und klassischen Ans
¨
a zen. Au klassische Sei e seien
1. KURZDARSTELLUNG 9
hie die CMA-ES on Hansen und Os e meie [
11
] und Di e en ial E olu ion
on S o n und P ice [
31
] genann , welche beide gu e E gebnisse in de P axis
lie e n k
¨
onnen. Bei den modellbasie en Ans
¨
a zen gib es Un e schiede bez
¨
uglich
de Me hoden au g und de e wende en Su oga -Modelle. Die sequen ielle
Pa ame e Op imie ung on Ba z-Beiels ein u.a. [
1
] s ell hie ein seh uni e sell
einse zba es Tool da , welches eine lexible Anpassung de e wende en Su oga -
Modelle e laub . In de P axis ha sich jedoch gezeig , dass mi Hil e on K iging-
Modellen (in de Fachli e a u h
¨
au ig als Gaussian P ocesses bezeichne [
26
]) in
ielen F
¨
allen die bes en E gebnisse e ziel we den k
¨
onnen. Aus diesem G und
wu de in den in diesem P ojek anges ell en Un e suchungen au den Einsa z
wei e e Su oga -Modelle wei es gehend e zich e . Dies s ell jedoch keinen
Nach eil da , da in de sp
¨
a e en Anwendung ein Aus ausch des Su oga -Modells
seh ein ach o genommen we den kann. Wei e e e
¨
ugba e Modelle liegen
in den e s ell en Implemen ie ungen o , und k
¨
onnen dahe di ek eingese z
we den. In den anges ell en Un e suchungen ha sich de Einsa z de sog. E icien
Global Op imiza ion [
13
] bew
¨
ah , ein Ve ah en, welches K iging als Su oga -
Modell nu z , und eine globale Op imie ung des Such aumes du ch Ve wendung
des sog. Expec ed Imp o emen In ill-K i e iums e laub . Dabei wi d neben
de L
¨
osungsquali
¨
a auch die Unsiche hei en de zu un e suchenden Pa ame e
be ¨
ucksich ig .
Au Sei e de Fea u e-Me hoden sind insbesonde e Ve ah en zu Dimensions-
eduk ion ele an , als auch ans o mie ende und kons uie ende Ve ah en zu
nennen, wie z.B. Slow Fea u e Analysis [32] und Gene ic P og amming [25].
Die behandel en Inhal e wu den au zahl eichen na ionalen und in e na io-
nalen Fach agungen und Kon e enzen o ges ell (s. Tabelle 1). Au na ionale
Ebene exis ie de Wo kshop Compu a ional In elligence de Gesellscha Mess-
und Au oma isie ungs echnik, de j
¨
ah lich in Do mund s a inde . Au in e -
na ionale Ebene gib es die j
¨
ah lich s a indende Gene ic and E olu iona y
Compu a ion Con e ence (GECCO), als auch die zweij
¨
ah lich s a indende Con e-
ence on Pa allel P oblem Sol ing om Na u e (PPSN). Wei e hin inde j
¨
ah lich
de Cong ess on E olu iona y Compu a ion (CEC) s a , welche alle dings alle
zwei Jah e im Rahmen des Wo ld Cong ess on Compu a ional In elligence (WC-
CI) ausge agen wi d. Im Rahmen de WCCI we den eben alls enommie e
Kon e enzen wie e wa die In e na ional Join Con e ence on Neu al Ne wo ks
(IJCNN) in eine Kon e enz zusammenge ass .
Eine Lis e de Fach agungen, au denen SOMA-P ojek be eilig e Vo
¨
age
hiel en, is nach olgend au ge ¨
uh :
Li e a u eche che
Es wu de eine um assende Li e a u eche che du chge
¨
uh ,
die sowohl die e
¨
o en lich en A bei en au Fach agungen und Kon e enzen, als
auch Zei sch i enbei
¨
age und B
¨
uche um ass e. Auße dem wu de zu P ojek -
beginn eine Pa en eche che mi els Pa en -Da enbanken o genommen, um
pa en ech lich gesch
¨
u z e We kzeuge und Ve ah en zu be
¨
ucksich igen. Nach
abschließende E kenn nis sind die im P ojek SOMA eingese z en Ve ah en
un e eien Lizenzen (z.B. GNU Public Licence) e
¨
ugba , bzw. liegen in
¨
u die
Fo schung ei e wendba en Implemen ie ungen o (Open Sou ce Lizenzen).
16 Inhal s e zeichnis
Abbildung 5: Beispiel
¨
u die Random Fo es Impo ance. Die Fea u es we den je
nach Bedeu ung eingeo dne (je wei e ech s, des o wich ige is das Me kmal).
Die Bedeu ung de Fea u es
¨
u das Klassi ika ionse gebnis wi d anhand eines
Quali
¨
a sk i e iums (hie : MeanDec easeAccu acy) be echne , wo au hin du ch
das Op imie e ah en eine eduzie e Fea u e-Menge ausgew¨
ahl we den kann.
2. EINGEHENDE DARSTELLUNG 17
eine expe imen ellen S udie [
24
] gezeig , dass mi diesem Ve ah en in de P axis
eine seh gu e Fea u e Auswahl e ziel we den kann ( gl. Tab. 2).
Tabelle 2: Klassi ika ionsgenauigkei (in %)
¨
u eine Indus ieanwendung (Vo -
he sage de S
¨
au ekonzen a ion in Biogasanlagen) un e Be
¨
ucksich igung e -
schiedene Fea u e-En wu salgo i hmen. Ve glichen we den die Bildung neue
Fea u es
¨
ube Haup komponen enanalyse (PCA) sowie Monome, als auch die
Fea u e-Selek ion mi els Random Fo es Impo ance (FS-RFI) und Gene ischen
Algo i hmen (FS-GA). An dem Beispiel zeig sich, dass die Ve wendung de en -
sp echenden Fea u e-En wu s e ah en kombinie mi eine Fea u e Selek ion
basie end au dem Random Fo es P ognosemodell das bes e E gebnis lie e n.
PCA Monome FS-RFI FS-GA Klass.genauigkei
1 X X X - (89.95 ±0.41)%
2 X X - X (89.47 ±0.52)%
3 X - X - (86.72 ±0.77)%
4 - X X - (83.38 ±0.78)%
5 - - X - (82.90 ±1.35)%
6 X X - - (82.60 ±0.92)%
7 - - - - (82.59 ±0.42)%
Zum Fea u e En wu wu den e schiedene Ve ah en eingese z . Eine sei s
is
¨
u Zei eihenda en ein allgemeines Fea u e-En wu s e ah en en wickel wo -
den, welches es e m
¨
oglich no male Klassi ika ions- ode Reg essionsmodelle
¨
u
Zei eihenda en anzuwenden. Koch u.a. [
16
,
15
] un e such en dieses allgemeine
Ve ah en
¨
u eine Anwendung in de Wasse wi scha und e ziel en e besse -
e E gebnisse gegen
¨
ube einem speziellen Zei eihen-P ognosemodell. In eine
wei e en S udie wu de die Haup komponen enanalyse (P incipal Componen
Analysis, PCA) zum Fea u e-En wu eingese z . In eine wei e en P ognose-
Anwendung konn e mi Hil e de PCA das bishe ige Re e enz e ah en sowohl
hinsich lich de Vo he sagegenauigkei , als auch de ben
¨
o ig en T ainingszei
e besse we den [24].
Die Anwendung on Slow Fea u e Analysis (SFA) kann bei als Zei eihen
o liegenden Da en zu iel e sp echenden Fea u e Se s
¨
uh en. Dies wu de
¨
u
das Anwendungsbeispiel de Ges ene kennung gezeig [
20
]. SFA wa dabei in
de Lage die o he zusagenden Ges en eilweise genaue zu p ognos izie en als
das bekann e Re e enz e ah en Random Fo es . Dabei e o de SFA nu einen
B uch eil an Speiche au wand und Rechenzei um eine P ognose du chzu
¨
uh en
und is dahe insbesonde e
¨
u die Anwendung au mobilen Ge
¨
a en in e essan .
Das bes ehende SFA Toolki in Ma lab (s a- k) wu de
¨
u die Klassi ika ion
g undlegend wei e en wickel . Im Rahmen eine du chge
¨
uh en Case S udy im
P ojek SOMA is auße dem eine wei e e Implemen ie ung on SFA in de Sp ache
R en s anden, welche im Rahmen de GPL Lizenz au dem R-P ojek se e CRAN
18 Inhal s e zeichnis
e
¨
ugba gemach wo den is (
h p://c an. -p ojec .o g/web/packages/
SFA/index.h ml).
Tabelle 3: Fehle a en (in P ozen ) mi de Slow Fea u e Analysis
¨
u ein Ges e-
ne kennungsp oblem (Auswahl aus
¨
un Ges en: K eis, Wu , F isbee, Bowling,
’z’-Ges e). Dick ged uck e We e sind am Bes en. Die E kennung de Ges en
wu de in eine Ve gleichss udie mi dem Random Fo es Klassi ika o und dem
Gauss-Klassi ika o e glichen.
Klassi ika o Min. Du chschn. Max. S d.Abw.
SFA 1.68 2.03 2.24 0.18
Random Fo es 1.54 2.09 2.37 0.30
Gauss 13.55 14.02 14.39 0.22
In eine mi de Technischen Uni e si
¨
a Do mund behandel en S udie is
un e such wo den, ob es mi els Gene ische P og ammie ung (GP) m
¨
oglich is ,
e besse e Ke nel-Funk ionen
¨
u Suppo Vec o Machines zu bes immen. Als
E gebnis konn en S anda d-Ke nel-Funk ionen mi GP ge unden we den, alle -
dings konn en keine e besse en E gebnisse mi diesem Ve ah en e ziel we den.
Die Me hode GP wi d jedoch ak uell in eine seh ak i e Fo schungsgemeinscha
behandel , sodass in Zukun nach Anpassung de Va ia ionsope a o en e l.
besse e L
¨
osungen m
¨
oglich sind. Aus diesem G und sind die E gebnisse de S udie
in de Fachzei sch i E olu iona y In elligence es gehal en wo den [15].
Case S udies
In dem P ojek SOMA wu den e schiedene Case S udies im
Mas e -S udiengang Au oma ion & IT de FH K
¨
oln du chge
¨
uh . Du ch die
in e na ionale Bescha enhei des S udiengangs, konn en insbesonde e gemisch e
G uppen mi na ionalen und in e na ionalen S udie enden
¨
u die Case S udies
gewonnen we den.
Die olgende Lis e gib einen ku zen
¨
Ube blick
¨
ube die im P ojek SOMA
e ans al e en Case S udies und die behandel en F ages ellungen:
WS 2009/2010
P edic ing Fill Le els o S o mwa e O e low Tanks. Teilnehme :
Michael Tamu an, Thomas Ludwig, Aldo Sede˜no
WS 2010/2011
P edic ing Ammonium Concen a ions in Was ewa e T ea men
Plan s. Teilnehme : Velasco Diego, Maxim Sha skiy
WS 2011/2012
Ex ensions o Tuned Da a Mining. Teilnehme : Ma in Zae e e ,
Fasika Ayodele, Ashwin Kuma , P awyn Jebakuma
WS 2012/2013
Building and analyzing SVM ensembles wi h Bagging and Ada-
Boos on big da a se s. Teilnehme : Rica do Ramos Gue a, J¨
o g S o k
Die du chge ¨
uh en Case S udies wa en seh e olg eich und konn en ¨
u die
wei e e Au gaben e eilung und Fo schung im P ojek SOMA genu z we den.
Die im WS 2009/2010 behandel en A bei en zum Thema “P edic ing Fill
Le els o S o mwa e O e low Tanks” dien en als Vo a bei
¨
u anschließen-
de Publika ionen in diesem Be eich [
16
,
19
]. Die P ognose on F
¨
ulls
¨
anden in
2. EINGEHENDE DARSTELLUNG 19
Regen
¨
ube lau becken is nu ein e olg eiches Beispiel
¨
u die seh gu e Modell-
quali ¨
a de in dem Fo schungs o haben SOMA op imie en P ognosemodelle.
0 1000 2000 3000 4000 5000
0 40 80
Index
Fill Le el (%)
Real
P edic ed
Abbildung 6: P ognose on F
¨
ulls
¨
anden in Regen
¨
ube lau becken. Die helle blaue
Fl
¨
ache gib die a s
¨
achlichen F
¨
ulls
¨
ande an, w
¨
ah end die dunkle Linie die p o-
gnos izie en F
¨
ulls
¨
ande besch eib . Die Abbildung zeig ein mi els TDMR und
SPOT op imie es Reg essionsmodell au Basis on Suppo Vec o Reg ession.
Aus de im WS 2011/2012 du chge
¨
uh en Case S udy zum Thema “Ex-
ensions o Tuned Da a Mining” konn en Teile de en wickel en So wa e zu
E g
¨
anzung und E wei e ung des TDMR F amewo ks genu z und
¨
ube nommen
we den. Die in diesem Rahmen e s ell e Implemen ie ung de Slow Fea u e Ana-
lysis in de Sp ache R wu de zudem als eigens
¨
andiges So wa e-Pake au dem
eien P ojek -Se e CRAN zu Ve ¨
ugung ges ell .
Das in de Case S udy Building and analyzing SVM ensembles wi h Bagging
and AdaBoos on big da a se s behandel e Thema is ein bedeu endes Anwen-
dungsgebie , und wu de als Publika ion im Rahmen de Eu opean Con e ence
on Da a Analysis als Kon e enzbei ag einge eich [
30
]. De Vo ag and g oßen
Anklang bei de in e na ionalen Fo che gemeinde, sodass auch nach Abschluss
des P ojek es SOMA wei e e A bei en angedach sind.
Bachelo a bei en
De S uden Ma kus Thill sch ieb seine Bachelo -A bei
zum Thema Rein o cemen Lea ning mi N-Tupel-Sys emen
¨
u das B e spiel
”Vie Gewinn ”. Die e eich en E gebnisse
¨
ube a en das bishe ige Re e enz-
e ah en (Tempo al Di e ence Lea ning). Dami gelang es in k
¨
u ze e Zei in
¨
ube 90% de F
¨
alle gegen einen op imal spielenden Agen en zu gewinnen, so e n
das Spiel einen Gewinn zul
¨
ass . Eine Ve
¨
o en lichung in diesem Be eich wu de
au de in e na ionalen Fachkon e enz Pa allel P oblem Sol ing om Na u e
(PPSN) in Tao mina, I alien o ges ell . Ma kus Thill wu de auße dem
¨
u seine
¨
ube zeugende A bei mi dem Opi z-F¨
o de p eis (1. Pla z) ausgezeichne .
20 Inhal s e zeichnis
Mas e a bei en
Die S uden in K is ine Hein un e such e das P oblem de
Ges ene kennung mi els de im P ojek SOMA behandel en Me hode zu Me k-
malsgene ie ung Slow Fea u e Analysis [
12
]. Dabei konn en
¨
u den e zeug en
Klassi ika o e gleichba e P ognose a en wie
¨
u ein au Random Fo es s basie-
endes Modell e ziel we den. Dies kann als ein g oße E olg gewe e we den,
denn das au SFA basie ende P ognosemodell is in seine Anwendung deu lich
schnelle sowohl im T aining, als auch in de Anwendung, was insbesonde e
bei zei k i ischen Anwendung in in eg ie en Sys emen eine Rolle spielen kann.
K is ine Hein wu de als Auszeichnung
¨
u ih e he o agende A bei mi dem
begeh en Opi z-F¨
o de p eis 2011 ausgezeichne .
Au bauend au den E gebnissen on F au Hein un e such e de S uden Daniel
Be am die beschleunigungsbasie en 3D- Ges enda en au einem Sma pho-
ne und e ziel e e s aunlich s abile E gebnisse bei de E kennung au diesen
Ge
¨
a en [
2
]. He Be am wu de auße dem
¨
u seine Mas e a bei mi dem
CBC-F¨
o de p eis 2013 ausgezeichne .
Die S uden in Ren´ee Schulz
¨
uh e die e olg eichen A bei en im Be eich Ges-
ene kennung o [
28
] und a bei e e neben dem In e ace au Basis de Nin endo
Wii auch mi Mic oso s XBox Kinec , welches senso isch wei e en wickel is
und komplexe e Bewegungse kennungen e laub . F au Schulz wu de mi dem
Fe chau-F¨
o de p eis 2013 ausgezeichne .
Meilens eine
MS1:
Abschluss de e s en Case S udies. Abh
¨
angig on de E alua ion de Case
S udies und de Hinweise au E olg bzw. Misse olg einzelne Ve ah en wi d
die Schwe punk se zung in den da au olgenden A bei spake en ges eue .
MS2:
Das F amewo k
¨
u den Einsa z e schiedene Modellie ungs e ah en in
Ve bindung mi SPO is e igges ell .
MS3:
Abschluss de le z en Case S udies. Abh
¨
angig on de E alua ion de Case
S udies und de Hinweise au E olg bzw. Misse olg einzelne Ve ah en wi d
die Schwe punk se zung in den da au olgenden A bei spake en ges eue .
MS4:
Abschluss de me hodischen A bei en zu Modul E, es liegen e s e An-
wendungs esul a e o . Abh
¨
angig on diesen Resul a en wi d mindes ens
ein geeigne es Re e enzp ojek ausgew
¨
ahl , das in A bei spake C3 (Do-
kumen a ion on Re e enzp ojek en)
¨
u die Fach
¨
o en lichkei au be ei e
wi d.
MS5:
Abschluss de me hodischen A bei en zu Modul S, es liegen e s e Anwen-
dungs esul a e o . Abh
¨
angig on diesen Resul a en wi d mindes ens ein
geeigne es Re e enzp ojek ausgew
¨
ahl , das in A bei spake C3 (Dokumen a-
ion on Re e enzp ojek en) ¨
u die Fach¨
o en lichkei au be ei e wi d
Die Meilens eine konn en wie geplan eingehal en we den. Die du chge
¨
uh en
Case S udies wa en in ih en E gebnissen seh e olg eich und ziel
¨
uh end zu
Au gabens ellung. So konn en die E gebnisse de Case S udies zum Teil di ek
¨
u wei e
¨
uh ende Publika ionen genu z we den. Beispielsweise wu den die
Un e suchungen de im Win e semes e 2012/2013 du chge
¨
uh en Case S udy
im Rahmen eine eu op
¨
aischen Fachkon e enz (Eu opean Con e ence on Da a
Analysis) o ges ell und s ießen insgesam au g oßes In e esse bei den Fo sche n.
2. EINGEHENDE DARSTELLUNG 21
Aus de im Win e semes e 2011/2012 du chge
¨
uh en Case S udy en s and
auße dem die Open Sou ce So wa e SFA, welche auch im Rahmen des Da a
Mining F amewo ks TDMR zu Fea u e-Gewinnung genu z wi d.
Alle wei e en Meilens eine konn en wie geplan abgeschlossen we den. Als
wesen liche Bes and eil des P ojek es SOMA is das F amewo k TDMR [
21
]
¨
u den Einsa z de e schiedenen Modellie ungs e ah en de
¨
O en lichkei
zug
¨
anglich gemach wo den. Auch die Meilens eine M4 und M5 wu den e
¨
ull
und sind du ch die zahl eichen Ve
¨
o en lichungen im P ojek SOMA de Fachwel
zug¨
anglich gemach wo den.
2.2 Zahlenm¨
aßige Nachweis
Das P ojek budge wu de en sp echend de im P ojek an ag besch iebenen
Planung e ausgab .
¨
Ande ungen diese Planung wa en en wede nich no wendig,
ode wu den dem P ojek
¨
age
¨
uhzei ig mi ge eil und genehmig . De im
P ojek SOMA inanziell e
¨
ugba e Rahmen wu de somi planm
¨
aßig eingehal en.
Wie im Finanzie ungsplan e anschlag , wu de de wesen liche An eil des
P ojek budge s
¨
u das wissenscha liche Pe sonal e ausgab . Inne halb de
Pe sonalausgaben kam es ge ingen Ve schiebungen inne halb de Posi ionen 817
Besch
¨
a igungsen gel e E1-E11 (wissenscha liche Hil sk
¨
a e) zu de Posi ion 812
En gel g uppe E12-E15 (wissenscha liche Mi a bei e ). Mi diese Ve schiebung
is es e m
¨
oglich wo den, den P ojek mi a bei e Pa ick Koch
¨
ube den gesam en
P ojek zei aum zu besch¨
a igen.
Insgesam wu de das P ojek au An ag im Mai 2013 mi eine kos enneu-
alen ¨
Ube agung on Mi eln in H¨
ohe on 30.244ein das Jah 2013 bis zum
31.06.2013 e l
¨
ange . Diese Ve l
¨
ange ung konn e du ch Umwidmung on Pe -
sonalkos en
¨
u wissenscha liche Hil sk
¨
a e e ziel we den. Diese Umwidmung
wa ein no wendige Sch i , de om P ojek
¨
age genehmig wo den is , da
die P og ammie
¨
a igkei en, die bis dahin on s uden ischen und wissenscha li-
chen Hil sk
¨
a en du chge
¨
uh wu den, zunehmend schwie ige und komplexe
gewo den sind. Die in SOMA eingea bei e en Hil sk
¨
a e, die bishe
¨
ube die
Posi ion Mi el
¨
u Besch
¨
a igungsen gel e inanzie wu den und nahezu sei
P ojek beginn
¨
u SOMA a bei e en, ha en inzwischen ande wei ige T
¨
a igkei en
au genommen und s anden deshalb nich meh
¨
u SOMA zu Ve
¨
ugung. Eine
Eina bei ung on neuen Hil sk
¨
a en in die um ang eiche P og ammcodeumge-
bung on SOMA w
¨
a e mi hohen Au w
¨
anden sowohl
¨
u die Hil k
¨
a e als auch
¨
u den die Hil sk
¨
a e be euenden Dok o anden e bunden. In Anbe ach de
ge ingen Res lau zei des P ojek s wa demzu olge das Ve h
¨
al nis on Au wand
zu E ag bei de Besch
¨
a igung neue Hil sk
¨
a e seh ung
¨
uns ig. S a dessen
wu den die geplan en A bei en om Dok o anden selbs ausge ¨
uh .
Au Sei en de In es i ionen (Posi ion 850) wu de gegen
¨
ube dem P ojek -
an ag eine
¨
Ande ung o genommen, die dem P ojek
¨
age abe eben alls
schnells m
¨
oglich mi ge eil wo den is . Zu Ve besse ung de Leh e in den Case
S udies und de P
¨
asen a ion au Fach agungen und Kon e enzen wu de in dem
P ojek ein mobiles Ge
¨
a angescha . Dazu wu den insgesam 1589
e
aus Posi-
ion 812 au Posi ion 850 umgewidme . Die Genehmigung diese Umwidmung
wu de om P ojek ¨
age im Mai sch i lich mi ge eil .
22 Inhal s e zeichnis
2.3 Nu zen und Ve we ba kei
Die in diesem Fo schungs o haben un e such en Me hoden um assen
¨
ube wach e
Le n e ah en, Ve ah en zu Me kmalsex ak ion und Me kmalsgewinnung sowie
die Kombina ion diese Ve ah en mi e izien en Op imie algo i hmen. Au g und
de ein achen o ge e ig en S uk u inne halb de So wa e TDMR bes eh
dami insbesonde e
¨
u kleine und mi le e Un e nehmen (KMUs) ein g oßes
Nu zenpo en ial. In dem P ojek SOMA wu de da au We geleg , dass keine
ie e gehende Eina bei ung in die Thema ik no wendig is , um eine e s e P o-
gnoseau gabe du chzu
¨
uh en und die un e liegenden Modellpa ame e in eg a i
zu op imie en. Hie is auße dem wich ig, dass keine besonde e Hochleis ungs e-
chena chi ek u
¨
u de a ige Vo haben no wendig is , denn du ch die e izien e
Implemen ie ung und Kupplung mi Sub-Sampling basie en Ans
¨
a zen, we -
den ¨
u die meis en an allenden Au gaben in KMUs keine Hochleis ungs echne
ben¨
o ig .
Die in dem Fo schungs o haben en wickel en So wa ebiblio heken k
¨
onnen
ge ne on jedem In e essen en genu z we den und sind be ei s in Fo m on
Open-Sou ce So wa e de Allgemeinhei zug¨
anglich gemach wo den.
2.4 Fo sch i ande e S ellen
Dem Zuwendungsemp
¨
ange (ZE) sind wei e e in
¨
ahnlichen Be eichen o schenden
S ellen bekann . Dieses Wissen konn e genu z we den, um das eigene Vo haben
zu un e s ¨
u zen und zu e wei e n.
Mi a bei e om Leh s uhl on P o . Claus Weihs an de TU Do mund
¨
uh en eben alls Un e suchungen im Be eich de Op imie ung un e limi ie en
Budge s mi Su oga -Modellen du ch. Diese Un e suchungen wa en dem ZE
¨
uhzei ig bekann . Es bes ehen jedoch wesen liche Un e schiede hinsich lich de
Zielse zung de un e liegenden Anwendungen. Anhand de o liegenden E gebnis-
se konn en Ve gleiche mi den S udien de TU Do mund un e nommen we den.
Insgesam wu den
¨
ahnliche E gebnisse wie in dem P ojek SOMA beobach e . Die
¨
Ahnlichkei de Fo schungs ich ungen konn en
¨
u einen Ausbau de Koope a ion
mi de TU Do mund genu z we den, ohne dass die eigenen Ziele des P ojek es
bzw. de Ve we ba kei ge
¨
ah de wa en ode sind. Die Da en sind abgeglichen
wo den und in die Li e a u hinzuge
¨
ug wo den, um einen olls
¨
andigen Blick
au die un e such en Be eiche zu gew¨
ah leis en.
De an de Ruh -Uni e si
¨
a Bochum o schende P o . D . Lau enz Wisko
gil als Mi en wickle de in dem P ojek SOMA eingese z en Slow Fea u e
Analysis. Du ch diesen bes ehenden Kon ak zu de Ruh -Uni e si
¨
a Bochum
konn en Teile de bes ehenden So wa e genu z und wei e en wickel we den.
An de FH D
¨
usseldo anden einige Fo schungsa bei en im Be eich Deep
Lea ning und Deep Neu al Ne wo ks un e de Lei ung on P o . D . Thomas
Zielke s a . Mi dem Leh s uhl bes eh ein gu e Kon ak , sodass e gleichende
A bei en m¨
oglich wa en und du chge ¨
uh wu den.
2.5 Publika ionen im P ojek
Insgesam sind aus dem P ojek SOMA zahl eiche Publika ionen sowohl au na io-
nale , als auch au in e na ionale Ebene he o gegangen. Neben de Ve
¨
o en lichung
2. EINGEHENDE DARSTELLUNG 23
de A ikel in de wissenscha lichen Gemeinscha konn e somi auch die Sich -
ba kei de A bei sg uppe und de Fachhochschule K
¨
oln in e na ional ges
¨
a k
we den. Wie aus nach olgende Au s ellung e sich lich, handel es sich um insge-
sam 10 echnische Be ich e, 5 Wo kshop-Bei
¨
age, 10 Kon e enzbei
¨
age und 3
A ikel in Fachzei sch i en.
E-p in s und echnische Be ich e
–
Gue a, R. R. and S o k, J.: Building and analyzing SVM ensembles wi h Bag-
ging and AdaBoos on big da a se s, Case S udy Repo , Cologne Uni e si y
o Applied Sciences, CIOP Technical Repo 1/13, 2013.
–
Konen, W. and Koch, P.: The TDMR F amewo k: Tuned Da a Mining in R,
Cologne Uni e si y o Applied Sciences, CIOP Technical Repo 02/12, 2012.
–
Konen, W. and Koch, P.: The TDMR Tu o ial: Examples o Tuned Da a
Mining in R, Cologne Uni e si y o Applied Sciences, CIOP Technical Repo
03/12, 2012.
–
Thill, M.: Einsa z on N-Tupel-Sys emen mi TD-Lea ning
¨
u s a egische
B e spiele am Beispiel on Vie Gewinn , P axisp ojek be ich , Cologne
Uni e si y o Applied Sciences, CIOP Technical Repo 01/12, 2012.
–
Konen, W.: SFA classi ica ion wi h ew aining da a: Imp o emen s wi h pa-
ame ic boo s ap, Cologne Uni e si y o Applied Sciences, CIOP Technical
Repo 09/11, 2011.
–
Konen, W.: De SFA-Algo i hmus
¨
u Klassi ika ion, Cologne Uni e si y o
Applied Sciences, CIOP Technical Repo 08/11, 2011.
–
Hein, K.: Le nende Klassi ika ion beschleunigungsbasie e 3D-Ges en des
Wii-Con olle s, Cologne Uni e si y o Applied Sciences, CIOP Technical
Repo 01/10, 2010.
–
Flasch, O., Ba z-Beiels ein, T., Da yan, A., Koch, P., Konen, W., Oye oy-
an, T.D., Tamu an, M.: Compa ing CI Me hods o P edic ion Models in
En i onmen al Enginee ing, Technical Repo Cologne Uni e si y o Applied
Sciences, Ge many, 2010
–
Konen, W.: On he nume ic s abili y o he SFA implemen a ion s a- k.
e-p in published a h p://a xi .o g/abs/0912.1064, 2009.
–
Konen, W. and Koch, P.: How slow is slow? SFA de ec s signals ha a e
slowe han he d i ing o ce. e-p in published a
h p://a xi .o g/abs/
0911.4397, 2009.
Wo kshop-Bei ¨
age
–
Koch, P. and Konen, W.: Subsampling s a egies in SVM ensembles. In: Ho -
mann, F., H
¨
ulle meie , E. (Eds.): P oceedings 23. Wo kshop Compu a ional
In elligence, Do mund. Uni e si ¨
a s e lag Ka ls uhe, 2013.
–
Konen, W.: Sel -con igu a ion om a Machine-Lea ning Pe spec i e. e-p in
published a
h p://a xi .o g/abs/1105.1951
and Dags uhl P ep in A -
chi e, Wo kshop 11181 O ganic Compu ing – Design o Sel -O ganizing
Sys ems, 2011.
24 Inhal s e zeichnis
–
Konen, W., Koch, P., Flasch, O. and Ba z-Beiels ein, T.: Pa ame e -Tuned
Da a Mining: A Gene al F amewo k. In: F. Ho mann, E. H
¨
ulle meie (eds.),
P oceedings 20. Wo kshop Compu a ional In elligence, Do mund. Uni e -
si ¨
a s e lag Ka ls uhe, 2010.
–
Koch, P., Flasch, O., Konen, W. and Ba z-Beiels ein, T. (2010): Op imiza ion
o Suppo Vec o Reg ession Models o S o mwa e P edic ion. In: Ho mann,
F. and H
¨
ulle meie , E. (ed.): P oceedings 20. Wo kshop Compu a ional
In elligence, Do mund. Uni e si ¨
a s e lag Ka ls uhe, 2010.
–
Flasch, O., Ba z-Beiels ein, T., Koch, P., Konen, W.: Gene ic P og amming
Applied o P edic i e Con ol in En i onmen al Enginee ing. In: F. Ho mann,
E. H
¨
ulle meie (eds.), P oceedings 19. Wo kshop Compu a ional In elligence,
Do mund. Uni e si ¨
a s e lag Ka ls uhe, 2009.
Kon e enzbei ¨
age
–
S o k, J., Ramos, R. R., Koch, P. and Konen, W: SVM ensembles a e
be e when di e en ke nel ypes a e combined. P oceedings o he Eu opean
Con e ence on Da a Analysis (ECDA), Luxembou g, p. 1–10, 2014. Submi ed.
–
Thill, M., Koch, P. and Konen, W.: Rein o cemen lea ning wi h n- uples on
he game Connec -4. In: C. Coello Coello, V. Cu ello e al. (eds.), PPSN’2012:
12 h In e na ional Con e ence on Pa allel P oblem Sol ing F om Na u e,
Tao mina, Sp inge , pages 195–204, 2012.
–
Koch, P. and Konen, W.: E icien sampling and handling o a iance in
uning da a mining models. In: C. Coello Coello, V. Cu ello e al. (eds.),
PPSN’2012: 12 h In e na ional Con e ence on Pa allel P oblem Sol ing F om
Na u e, Tao mina, Sp inge , pages 184–194, 2012.
–
Konen, W., Koch, P., Flasch, O., Ba z-Beiels ein, T., F iese, M. and Naujoks,
B.: Tuned Da a Mining: A Benchma k S udy on Di e en Tune s, P oc.
GECCO 2011, Dublin, July 2011.
–
Ba z-Beiels ein, T., F iese, M., Zae e e , M., Naujoks, B., Flasch, O., Konen,
W. and Koch, P.: Noisy op imiza ion wi h sequen ial pa ame e op imiza ion
and op imal compu a ional budge alloca ion In P oceedings o Gene ic and
E olu iona y Compu a ion Con e ence, pages 119–120, 2011.
–
Koch, P., Konen, W. and Hein, K., Ges u e Recogni ion on Few T aining
Da a using Slow Fea u e Analysis and Pa ame ic Boo s ap. In P. Sob e illa
(ed.), P oc. IEEE Wo ld Cong ess on Compu a ional In elligence (WCCI),
Ba celona, 2010.
–
Koch, P., Konen, W., Flasch, O., Ba z-Beiels ein, T.: Op imizing Suppo
Vec o Machines o S o mwa e P edic ion. In: R. Schae e (ed.), P oc. 11 h
In e na ional Con e ence on Pa allel P oblem Sol ing F om Na u e (PPSN),
K akow, 2010.
–
Flasch, O., Ba z-Beiels ein, T., Da yan, A., Koch, P. and Konen, W.:
Compa ing SPO- uned GP and NARX P edic ion Models o S o mwa e
Tank Fill Le el P edic ion. In P. Sob e illa (ed.), P oc. IEEE Wo ld Cong ess
on Compu a ional In elligence (WCCI), Ba celona, 2010.
–
Ziegenhi , J., Ba z-Beiels ein, T., Flasch, O., Konen, W. and Zae e e ,
M.: Op imiza ion o Biogas P oduc ion wi h Compu a ional In elligence – A
Compa a i e S udy. In P. Sob e illa (ed.), In P oceedings o he IEEE Wo ld
Cong ess on Compu a ional In elligence (WCCI), Ba celona, 2010.
2. EINGEHENDE DARSTELLUNG 25
–
Konen, W. and Koch, P.: How slow is slow? SFA de ec s signals ha a e slowe
han he d i ing o ce, In: B. Filipic, J. Silc (eds.), P oc. 4 h In . Con . on
Bioinspi ed Op imiza ion Me hods and hei Applica ions, In P oceedings o
he Con e ence on Bioinspi ed Op imiza ion Me hods and hei Applica ions
(BIOMA) 2010, Ljubljana, Slo enia, 2010.
Zei sch i enbei ¨
age
–
Koch, P., Wagne , T., Emme ich, M. T. M., Baeck, T., and Konen, W.:
E icien mul i-c i e ia op imiza ion on noisy machine lea ning p oblems.
Applied So Compu ing, 2014, (unde e iew).
–
Koch, P., Bischl, B., Flasch, O., Ba z-Beiels ein, T., Weihs, C. and Konen,
W.: Tuning and e olu ion o suppo ec o ke nels. E olu iona y In elligence,
5(3):153-170, 2012.
–
Konen, W. and Koch, P., The slowness p inciple: SFA can de ec di e en
slow componen s in nons a iona y ime se ies. In: Ju ij
ˇ
Silc and Bogdan
Filipiˇc (eds.) In e na ional Jou nal o Inno a i e Compu ing and Applica ions
(IJICA), 2010.
Bachelo -A bei en
–
Thill, M.: Rein o cemen Lea ning mi N-Tupel-Sys emen
¨
u Vie Gewinn ,
Bachelo Thesis, Fachhochschule K
¨
oln, 2012. P eis
¨
age (1. Pla z) beim
Opi z-Inno a ionsp eis 2013.
Mas e -A bei en
–
Schulz, R.: En wicklung und Ve gleich on Ve ah en zu Ve besse ung de
Ges ene kennung
¨
u den Einsa z in Na u al Use In e aces. Mas e Thesis,
Fachhochschule K¨
oln, 2013. P eis ¨
age in beim Fes o-F¨
o de p eis 2013.
–
Be am, D.: Un e suchungen zu Va ianz eduk ion beschleunigungsbasie e
3D-Ges enda en, Mas e Thesis, Fachhochschule K
¨
oln, 2012. P eis
¨
age (3.
Pla z) beim CBC-F¨
o de p eis 2013.
–
Hein, K: Ges ene kennung mi Slow Fea u e Analysis (SFA) – Klassi izie ung
on beschleunigungsbasie en 3D-Ges en des Wii-Con olle s, Fachhochschule
K¨
oln, 2010. P eis ¨
age in (3. Pla z) beim Opi z-Inno a ionsp eis 2011.
Disse a ionen
–
Koch, P.: E icien Tuning in Supe ised Machine Lea ning. PhD Thesis,
Uni e si ¨
a Leiden, Niede lande, 2013.
