Effiziente Datenverarbeitung & Manipulation
Weniger ist mehr!
Unsere Forschung im Bereich der Datenverarbeitung und Manipulation wird von dem Motto
"Weniger ist mehr!"
geleitet.
Ziel ist es, nur minimal notwendige Datensätze für die Berechnung zuverlässiger Ergebnisse zu erheben.
Zur Erreichung dieses Ziels betreiben wir Forschung hinsichtlich neuer Verfahren und Algorithmen in folgenden Bereichen:
Datengesteuerte Kompression
Es werden lediglich stichprobenartige Messungen von natürlichen Signalen anstelle des vollständigen, hochdimensionalen Datensatzes erhoben. Diese gilt es, durch geeignete Transformationsbasen zu komprimieren und durch eine Minimierung der L1-Norm digital zu rekonstruieren.
Räumliche Kompression
Eine Mehrkanal-Array-Technologie ermöglicht die Überwachung von Aktivitätsmustern mit hoher räumlicher Auflösung bei minimalen räumlichen Abmessungen. Durch clevere Verknüpfung von Messstellen gilt es, die Anzahl der Übertragungsleitungen zu reduzieren und dennoch eine massiv parallele Datenerfassung bei hoher Dichte der Messstellen zu ermöglichen.
Beispielhafte Datenkompression und Rückgewinnung eines Signals (Quelle: eigenes Bild)
Stochastisches Rechnen
Stochastisches Rechnen, das auf einer stochastischen Zahlengenerierung basiert und für dessen Implementierung nur sehr wenige, flächeneffiziente Logikgatter benötigt werden, stellt eine Alternative zu binären Implementierungen arithmetischer Operatoren dar. Nachdem wir kürzlich die Realisierbarkeit beliebiger FIR-Filter mittels Stochastischem Rechnen bewiesen haben, gilt es weitere Filterstrukturen und Klassifizierungsalgorithmen zu untersuchen und entwickeln, um den Anwendungsbereich dieser Technologie zu erweitern.
Implementierung eines FIR Filters mittels Stochastischem Rechnen (Quelle: eigenes Bild)
Maschinelles Lernen
Maschinelles Lernen widmet sich dem Trainieren von Computern auf Basis von Daten und Erfahrungen. Unsere Aktivitäten konzentrieren sich auf Entscheidungsbaum-Ensembles, die bereichsspezifische Merkmale aus Rohdaten extrahieren und trainierte Entscheidungsbäume verwenden, um für eine Ergebniskategorie zu stimmen.