Wavelet-Transformation und neuronale Netze als Verfahren der digitalen Signalverarbeitung fuer forstwissenschaftliche Anwendungen

1995

85 S.

73 Lit. Ang.

Bandaufführung

75322

Moderne Signalanalyseverfahren fuer Kompression und Merkmalsextraktikon gewinnen angesichts exponentiell wachsenden Datenaufkommens in messenden und modellbildenden Fachrichtungen ebenso zunehmende Bedeutung wie eine automatisierte Auswertung von Routineversuchen. Vor diesem Hintergrund beschaeftigt sich die Abhandlung stellvertretend fuer ein breites Feld forstlicher Einsatzmoeglichkeiten am Beispiel der Texturanalyse in Videobildern der Fernerkundung mit der Merkmalsgewinnung aus reduzierten Wavelet-Spektren und ihrer Klassifikation ueber ein Multilayer-Perceptron als Vertreter Neuronaler Netze. Wavelet-Analyse und Multilayer-Perceptron bieten gegenueber Fourier-Transformation, bzw. poynomieller Stuetzstellenapproximation im Merkmalsraum Vorteile. Die herkoemmliche Gabortransformation unterliegt wie alle Short-Time-Fourier-Transformationen fensterbedingten Artefakten; Entwicklungen nach trigonometrischen Funktionen geben pauschale Signaleigenschaften, nicht jedoch lokale Frequenzcharakteristika wieder und besitzen infolgedessen lediglich eingeschraenkte Analyseeigenschaften. Vektorraeume aperiodischer Wavelets, "Wellchen" begrenzten Supports, ermoeglichen ueber Signalabbildung in orthogonale Skalenraeume mittels iterativer Quadraturfilter die Extraktion zeitabhaengiger Schwingungscharakteristika, woraus deren besondere Eignung fuer Datenkompression und Merkmalsgewinnung resultiert. Beispiele aus Bildverarbeitung und Mustererkennung werden angefuehrt. "Mallat's Pyramidal Algorithm" gibt eine der FFT bezueglich Rechenzeit deutlich ueberlegene Implementierungsmoeglichkeit an die Hand, welche gegenueber der Fourier- Analyse jedoch eine hoehere mathematische Komplexitaet aufweist. Die fuer Verstaendnis, Implementierung und Anwendung notwendigen Modellvorstellungen werden daher in einem geschlossenen Kontext pragmatisch dargestellt und ueber eine Reihe Computergraphiken verdeutlicht. Basierend auf dem Merkmalsvektor der 6.25% niederst skalierten Wavelet-Amplituden eines 2- dimensional transformierten Videosignales ist der letzte Abschnitt Theorie und konkreter Programmierung eines fuzzygesteuerten Multilayer-Perceptron zur Klassifikation der Wavelet-Spektren ueber Funktionsapproximation mittels ueberwachter Fehlerkorrektur in einem Gradientenabstiegsverfahren gewidmet. Damit wird die entscheidungstheoretische Abgrenzung zum klassischen Polynomansatz gesucht. Die Einordnung konnektionistischer Ansaetze im Vergleich mit klassischen Verfahren erfolgt exemplarisch anhand aktueller Forschungsergebnisse; forstliche Anwendungsschwerpunkte fuer Wavelet-Analyse und/oder neuronale Klassifikation wie etwa - Reduktion hochdimensionaler Datensaetze im Vorfeld von Auswertungen - Zeitreihenanalyse, Trendbereinigung - zerstoerungsfreie akustische Qualitaetskontrolle von Rohholz und Holzwerkstoffen, bzw. Einschnittoptimierung im Saegewerk durch Erkennen von Holzfehlern - schallinduzierte Bodenprofile fuer kleinraeumige Standortsansprache - Horizontfolge, Wasserhaushalt, Verdichtung, Tragfaehigkeit etc. - Maschinenueberwachung anhand des Frequenzganges - Praezisierung von Ersatzbeschaffungszeitpunkten - Minimierung von Wartungskosten - Abloesung der Fourier-Transformations-Infrarot- Spektroskopie in der Holzforschung - Ertragstafelmodellierung und waldbauliche Simulation - Prognosemodelle - Wildstandsbewirtschaftung - Holzmarkanalysen - Forsteinrichtungsplanspiele unter variierenden Konstellationen - Online-Plausibilitaetspruefungen bei Freilandversuchen und Messreihen werden vorgeschlagen. Die angefuehrten Methoden sind Module des vom Autor in C++ unter X11R5 und OSF/Motif1.2 entwickelten Softwarepaketes "sphinX" fuer Digitale Signal- und Bildverarbeitung, Numerik, Video- Einblendung, Neuronale Netze und 3D-Computergraphik mit interaktiver Benutzeroberflaeche.