Systematische Optimierung von Modellen für Automatisierungstechnik und IT
 
Das BMBF-geförderte Projekt SOMA wurde im Zeitraum 2009-2013 durchgeführt. Projektpartner waren die Universität Leiden, die Ruhr-Universität Bochum, die Nurogames GmbH, Köln und die divis GmbH, Dortmund.
 
Die systematische Optimierung von Modellen für komplexe Anwendungen in Informations- und Automatisierungstechnik, hier mit dem Ziel der Prognose von Zielgrößen oder der optimalen Steuerung von Anlagen oder Prozessen, ist Gegenstand dieses Projektes. Sie stellt nach wie vor eine große Herausforderung für den in der Praxis tätigen Informatiker oder Ingenieur dar. In vielen Fällen handelt es sich nicht allein um ein Problem der optimalen Modellparametrierung, sondern auch um Fragen der intelligenten Datenvorverarbeitung und Datenselektion.
 
Unter dem Dach von SOMA wurden verschiedene Unterprojekte bearbeitet: Tuned Data Mining (TDMR), Gestenerkennung, Reinforcement Learning für strategische Spiele, Intelligente Methoden der Merkmalsgewinnung, wie z.B. Slow Feature Analysis (SFA). 

Themengebiete: Angewandte Informatik, Modellierung, Simulation, Lernende Systeme, Computational Intelligence (evolutionäre Algorithmen, neuronale Netze), Data Mining.

 

Publicationen SOMA

155 Einträge « 1 von 8 »
1. Konen, Wolfgang: General Board Game Playing for Education and Research in Generic AI Game Learning. In: Perez, Diego; Mostaghim, Sanaz; Lucas, Simon (Hrsg.): IEEE Conference on Games, London, 2019. (Typ: Konferenzbeitrag | Links | BibTeX)
2. Bagheri, Samineh; Konen, Wolfgang; Bäck, Thomas: SACOBRA with Online Whitening for Solving Optimization Problems with High Conditioning. arXiv preprint arXiv:1904.08397 2019. (Typ: Forschungsbericht | Links | BibTeX)
3. Bagheri, Samineh; Konen, Wolfgang; Bäck, Thomas: Solving Optimization Problems with High Conditioning by Means of Online Whitening. In: Lopez-Ibanez, Manuel (Hrsg.): Genetic and Evolutionary Computation Conference 2019 (GECCO'19), Prague, S. 243-244, ACM, 2019. (Typ: Konferenzbeitrag | Links | BibTeX)
4. Bagheri, Samineh; Konen, Wolfgang; Bäck, Thomas: How to Solve the Dilemma of Margin-Based Equality Constraint Handling Methods. In: at-Automatisierungstechnik, submitted , 2019. (Typ: Artikel | BibTeX)
5. Buhl, Henning; Konen, Wolfgang; Thill, Markus: Deep Learning mit Keras und Tensorflow. Vortrag auf DEBRL2019 (Digital Exchange Bergisches Rheinland 2019), 2019. (Typ: Sonstige | Links | BibTeX)
6. Konen, Wolfgang: The GBG Class Interface Tutorial V2.0: General Board Game Playing and Learning. Research Center CIOP (Computational Intelligence, Optimization and Data Mining) 2019. (Typ: Forschungsbericht | Links | BibTeX)
7. Barsnick, Felix: Implementierung und Untersuchung eines Turniersystems für KI-Agenten in Brettspielen. TH Köln -- University of Applied Sciences, 2019, (Master thesis). (Typ: Abschlussarbeit | Links | BibTeX)
8. Bagheri, Samineh; Konen, Wolfgang; Bäck, Thomas: How to Solve the Dilemma of Margin-Based Equality Handling Methods. In: Hoffmann, Frank; Hüllermeier, Eyke; Mikut, Ralf (Hrsg.): Proceedings - 28. Workshop Computational Intelligence, Dortmund, 29. - 30. November 2018, S. 257-270, KIT Scientific Publishing, Karlsruhe, 2018, ISBN: 978-3-7315-0845-8, (**Young Author Award**). (Typ: Konferenzbeitrag | Links | BibTeX)
9. Thill, Markus; Konen, Wolfgang; Bäck, Thomas: Online Adaptable Time Series Anomaly Detection with Discrete Wavelet Transforms and Multivariate Gaussian Distributions. Research Center CIOP (Computational Intelligence, Optimization and Data Mining) TH Köln - University of Applied Science, 2018, (submitted to Archives of Data Sciences, Series A (ECDA'2018), preprint available at http://www.gm.fh-koeln.de/ciopwebpub/Thill18a.d/AoDS2018.pdf). (Typ: Forschungsbericht | Links | BibTeX)
10. Konen, Wolfgang; Koch, Patrick: The TDMR 2.0 Package: Tuned Data Mining in R. Research Center CIOP (Computational Intelligence, Optimization and Data Mining) Cologne University of Applied Science, Faculty of Computer Science and Engineering Science, (02/2018), 2018, (Last update: April 2018 (original version: 2012)). (Typ: Forschungsbericht | Links | BibTeX)
11. Konen, Wolfgang; Koch, Patrick: The TDMR 2.0 Tutorial: Examples for Tuned Data Mining in R. Research Center CIOP (Computational Intelligence, Optimization and Data Mining) Cologne University of Applied Science, Faculty of Computer Science and Engineering Science, (03/2018), 2018, (Last update: April 2018 (original version: 2012)). (Typ: Forschungsbericht | Links | BibTeX)
12. Bagheri, Samineh; Konen, Wolfgang; Bäck, Thomas: Comparing Kriging and Radial Basis Function Surrogates. In: Hoffmann, Frank; Hüllermeier, Eyke (Hrsg.): Proceedings 27. Workshop Computational Intelligence, S. 243-259, Universitätsverlag Karlsruhe, 2017. (Typ: Konferenzbeitrag | Links | BibTeX)
13. Thill, Markus; Konen, Wolfgang; Bäck, Thomas: Anomaly Detection in Time Series with Discrete Wavelet Transforms and Maximum Likelihood Estimation. In: Hoffmann, Frank; Hüllermeier, Eyke (Hrsg.): Proceedings 27. Workshop Computational Intelligence, S. 67-71, Universitätsverlag Karlsruhe, 2017. (Typ: Konferenzbeitrag | Links | BibTeX)
14. Kutsch, Johannes: KI-Agenten fur das Spiel 2048: Untersuchung von Lernalgorithmen für nichtdeterministische Spiele. TH Köln -- University of Applied Sciences, 2017, (Bachelor thesis). (Typ: Abschlussarbeit | Links | BibTeX)
15. Galitzki, Kevin: Selbstlernende Agenten für das skalierbare Spiel Hex: Untersuchung verschiedener KI-Verfahren im GBG-Framework. TH Köln -- University of Applied Sciences, 2017, (Bachelor thesis). (Typ: Abschlussarbeit | Links | BibTeX)
16. Thill, Markus; Konen, Wolfgang; Bäck, Thomas: Time Series Anomaly Detection with Discrete Wavelet Transforms and Maximum Likelihood Estimation. In: Valenzuela, Olga; Rojas, Ignacio; others, (Hrsg.): International Work-Conference on Time Series (ITISE2017), 2017. (Typ: Konferenzbeitrag | Links | BibTeX)
17. Bagheri, Samineh; Konen, Wolfgang; Allmendinger, Richard; Branke, Jürgen; Deb, Kalyanmoy; Fieldsend, Jonathan; Quagliarella, Domenico; Sindhya, Karthik: Constraint Handling in Efficient Global Optimization. In: Bosman, Peter A N (Hrsg.): Genetic and Evolutionary Computation Conference 2017 (GECCO'17), Berlin, S. 1, ACM, 2017. (Typ: Konferenzbeitrag | Links | BibTeX)
18. Konen, Wolfgang : The GBG Class Interface Tutorial: General Board Game Playing and Learning. Research Center CIOP (Computational Intelligence, Optimization and Data Mining) Cologne University of Applied Science, 2017, (e-print published at http://www.gm.fh-koeln.de/ciopwebpub/Kone17a.d/TR-GBG.pdf). (Typ: Forschungsbericht | Links | BibTeX)
19. Oxe, Julia : Identifizierung von Anomalien in Zeitreihen mit Deep Autoencodern. TH Köln -- University of Applied Sciences, 2017, (Bachelor thesis). (Typ: Abschlussarbeit | Links | BibTeX)
20. Bagheri, Samineh; Konen, Wolfgang; Emmerich, Michael; Bäck, Thomas: Self-adjusting parameter control for surrogate-assisted constrained optimization under limited budgets. In: Applied Soft Computing, 61 , S. 377-393, 2017, ISSN: 1568-4946. (Typ: Artikel | Links | BibTeX)
155 Einträge « 1 von 8 »

Zeige alle

Es sind leider keine Einträge vorhanden.